Inicjowanie transformacji obrazów
W tym artykule opisano sposób użycia składnika Przekształcanie obrazu init w projektancie usługi Azure Machine Learning w celu zainicjowania transformacji obrazu w celu określenia sposobu przekształcania obrazu.
Jak skonfigurować przekształcanie obrazu init
Dodaj składnik Przekształcanie obrazu Init do potoku w projektancie.
W polu Zmień rozmiar określ, czy zmienić rozmiar wejściowego obrazu PIL na podany rozmiar. Jeśli wybierzesz wartość "Prawda", możesz określić żądany rozmiar obrazu wyjściowego w obszarze Rozmiar domyślnie 256.
W polu Center crop (Centrum przycinania) określ, czy przycinać dany obraz PIL w centrum. Jeśli wybierzesz wartość "True", możesz określić żądany rozmiar obrazu wyjściowego przycinania domyślnie 224.
W polu Pad określ, czy ma być wypełniany dany obraz PIL po wszystkich stronach z wartością pad 0. Jeśli wybierzesz wartość "Prawda", możesz określić dopełnienie (ile pikseli do dodania) na każdej obramowaniu w obszarze Wypełnianie.
W obszarze Roztrzaskuj kolor określ, czy losowo zmienić jasność, kontrast i nasycenie obrazu.
W obszarze Skala szarości określ, czy obraz ma być konwertowany na skala szarości.
W przypadku losowego przycinania rozmiaru określ, czy przycinać dany obraz PIL do losowego rozmiaru i współczynnika proporcji. Przycinanie losowego rozmiaru (od 0,08 do 1,0) oryginalnego rozmiaru i losowy współczynnik proporcji (zakres od 3/4 do 4/3) oryginalnego współczynnika proporcji. Ten przycinanie zostanie ostatecznie zmieniony na określony rozmiar. Jest to często używane w trenowaniu sieci Inception. Jeśli wybierzesz wartość "Prawda", możesz określić oczekiwany rozmiar danych wyjściowych każdej krawędzi w rozmiarze losowym, domyślnie 256.
W polu Losowe przycinanie określ, czy przycinać dany obraz PIL w losowej lokalizacji. Jeśli wybierzesz wartość "Prawda", możesz określić żądany rozmiar wyjściowy przycinania w rozmiarze losowego przycinania, domyślnie 224.
W przypadku losowej przerzucania poziomego określ, czy losowo przerzucać dany obraz PIL z prawdopodobieństwem 0,5.
W przypadku losowej przerzucania pionowego określ, czy w pionie przerzucać dany obraz PIL losowo z prawdopodobieństwem 0,5.
W polu Obrót losowy określ, czy obraz ma być obracany według kąta. Jeśli wybierzesz wartość "Prawda", możesz określić w zakresie stopni, ustawiając stopnie losowego obrotu, co oznacza (stopnie, +stopnie), domyślnie 0.
W obszarze Losowa affine określ, czy losowa transformacja affine obrazu jest niezmienna. Jeśli wybierzesz wartość "Prawda", możesz określić zakres stopni do wybrania z pozycji Stopnie losowe, co oznacza (stopnie, +stopnie), domyślnie 0.
W obszarze Losowa skala szarości określ, czy losowo przekonwertować obraz na skala szarości z prawdopodobieństwem 0,1.
W przypadku perspektywy losowej określ, czy ma być wykonywana transformacja perspektywy danego obrazu PIL losowo z prawdopodobieństwem 0,5.
Połącz się ze składnikiem Zastosuj transformację obrazu , aby zastosować transformację określoną powyżej do wejściowego zestawu danych obrazu.
Prześlij potok.
Wyniki
Po zakończeniu przekształcania można znaleźć przekształcone obrazy w danych wyjściowych składnika Zastosuj transformację obrazu .
Uwagi techniczne
Aby uzyskać więcej informacji na temat przekształcania obrazu, zapoznaj się z https://pytorch.org/vision/stable/transforms.html tematem .
Parametry składników
| Nazwa | Zakres | Typ | Domyślny | Opis |
|---|---|---|---|---|
| Zmiana rozmiaru | Dowolne | Boolean | Prawda | Zmienianie rozmiaru wejściowego obrazu PIL na podany rozmiar |
| Rozmiar | >=1 | Liczba całkowita | 256 | Określanie żądanego rozmiaru danych wyjściowych |
| Wyśrodkowanie przycinania | Dowolne | Boolean | Prawda | Przycina dany obraz PIL w środku |
| Rozmiar przycinania | >=1 | Liczba całkowita | 224 | Określ żądany rozmiar danych wyjściowych przycinania |
| Pad | Dowolne | Wartość logiczna | Fałsz | Zapełnij podany obraz PIL po wszystkich stronach z daną wartością "pad" |
| Dopełnienie | >=0 | Liczba całkowita | 0 | Dopełnianie na każdym obramowaniu |
| Roztrzaśnięcie kolorów | Dowolne | Wartość logiczna | Fałsz | Losowo zmień jasność, kontrast i nasycenie obrazu |
| Skali szarości | Dowolne | Wartość logiczna | Fałsz | Konwertowanie obrazu na skala szarości |
| Losowe przycinanie o zmienionym rozmiarze | Dowolne | Wartość logiczna | Fałsz | Przycinanie danego obrazu PIL do losowego rozmiaru i współczynnika proporcji |
| Rozmiar losowy | >=1 | Liczba całkowita | 256 | Oczekiwany rozmiar danych wyjściowych każdej krawędzi |
| Losowe przycinanie | Dowolne | Wartość logiczna | Fałsz | Przycinanie danego obrazu PIL w losowej lokalizacji |
| Losowy rozmiar przycinania | >=1 | Liczba całkowita | 224 | Żądany rozmiar danych wyjściowych przycinania |
| Losowe przerzucanie w poziomie | Dowolne | Boolean | Prawda | W poziomie przerzuć dany obraz PIL losowo z danym prawdopodobieństwem |
| Losowe przerzucanie w pionie | Dowolne | Wartość logiczna | Fałsz | Przerzuć w pionie dany obraz PIL losowo z danym prawdopodobieństwem |
| Rotacja losowa | Dowolne | Wartość logiczna | Fałsz | Obracanie obrazu według kąta |
| Stopnie obrotu losowego | [0,180] | Liczba całkowita | 0 | Zakres stopni do wyboru |
| Losowa szafka | Dowolne | Wartość logiczna | Fałsz | Losowa transformacja affine obrazu zachowująca niezmienność centrum |
| Losowe stopnie affiny | [0,180] | Liczba całkowita | 0 | Zakres stopni do wyboru |
| Losowa skala szarości | Dowolne | Wartość logiczna | Fałsz | Losowa konwersja obrazu na skala szarości z prawdopodobieństwem 0,1 |
| Perspektywa losowa | Dowolne | Wartość logiczna | Fałsz | Wykonuje transformację perspektywy dla danego obrazu PIL losowo z prawdopodobieństwem 0,5 |
| Wymazywanie losowe | Dowolne | Wartość logiczna | Fałsz | Losowo wybiera region prostokąta na obrazie i usuwa jego piksele z prawdopodobieństwem 0,5 |
Dane wyjściowe
| Nazwa | Typ | Opis |
|---|---|---|
| Przekształcanie obrazu wyjściowego | TransformationDirectory | Przekształcanie obrazu wyjściowego, które można połączyć ze składnikiem Zastosuj transformację obrazu . |
Następne kroki
Zobacz zestaw składników dostępnych dla usługi Azure Machine Learning.