[DL] ImageDataGenerator의 사용

[DL] ImageDataGenerator의 사용 - 1

04 Dec 2020

머신러닝

ImageDataGenerator1의 사용(개와 고양이)

TF2.X 에서 이미지 증식을 위해서 사용하는 ImageDataGenerator를 간단히 알아보고 image를 확인해 본다.

사용 Library

사용하는 library들이다.

import numpy as np
import tensorflow as tf
import matplotlib.pyplot as plt

from tensorflow.keras.preprocessing.image import ImageDataGenerator

데이터셋

train data와 validation date를 정의한다.

train_dir      = './data/cat_dog_full/train'
validation_dir = './data/cat_dog_full/validation'

## 전체 데이터가 25,000장 (고양이 : 12,500, 개 : 12,500)
## 댕댕이 이미지 train      : 7,000장
## 댕댕이 이미지 validation : 3,000장
## 댕댕이 이미지 test       : 2,500장

ImageDataGenerator

ImageDataGenerator 에 대해서 간단히 알아본다. 데이터 증식(augmentation)은 아래에서 진행한다.

generator 생성

train_datagen = ImageDataGenerator(rescale=1/255) 
validation_datagen=ImageDataGenerator(rescale=1/255)

train_generator = train_datagen.flow_from_directory(train_dir,
                                                    classes=['cats', 'dogs'],
                                                    batch_size = 20,
                                                    target_size = (150, 150)
                                                    class_mode='binary')

validation_generator = validation_datagen.flow_from_directory(validataion_dir,
                                                              classes=['cats', 'dogs'],
                                                              batch_size = 20,
                                                              target_size = (150, 150),
                                                              class_mode = 'binary')

x_data, t_data 추출 : batch_size=20이므로 20장씩 랜덤으로 무한번 추출된다. 따라서 break를 걸어 데이터를 확인한다.

for x_data, t_data in train_generator:
    print(x_data.shape)  # (20, 150, 150, 3)
    print(type(x_data))  # <class 'numpy.ndarray'>
    print(t_data)        # [1. 0. 0. 1. 1. 1. 0. 1. 1. 0. 1. 1. 1. 1. 1. 0. 1. 1. 0. 0.]
    # 0 : 고양이,  1 : 댕댕이

사진 확인 : enumerate를 사용해 확인해 본다. (x_data에 대한 enumerate는 조금 다르다. 맨 앞의 값을 가져오지 않는다.)

fig = plt.figure(figsize=(10, 10))
axs = []

for x_data, t_data in train_generator:
    for idx, img enumerate(x_data):
        axs.append(fig.add_subplot(5,4,idx+1))
        plt.imshow(axs[idx])
    break

data augmentation (데이터 증식)

ImageDataGenerator를 사용해 데이터 증식하는 법을 알아본다. 여기서는 .flow_from_directory가 아닌 .flow를 사용해 알아본다.

Library

import numpy as np
import tensorflow as tf
import matplotlib.pyplot as plt

from tensorflow.keras.preprocessing import image
from tensorflow.keras.preprocessing.image import ImageDataGenerator

image 확인 : image.load_img 을 사용한다.

img = image.load_img('./data/cat_dog_small/train/cats/cat.3.jpg', target_size=(150, 150)) print(type(img)) # <class 'PIL.Image.Image'>

plt.imshow(img)
plt.show()

이미지 array로 바꿔 한번 더 확인 및 차원 증가시키기

x = image.img_to_array(img)
print('x_shape : ',x.shape)  # x_shape :  (150, 150, 3)
print('x_type : ',type(x))   # x_type :  <class 'numpy.ndarray'>
print(x.dtype)               # float32
## plt.imshow(x) : error 발생, 원인 : imshow는 0-1 float 또는 0-255 int 값을 input값으로 받음
plt.imshow(np.unit8(x))
plt.show()

x = x.reshape((1,) + x.shape)

ImageDataGenerator 및 data 증식

datagen = ImageDataGenerator(rotation_range = 90,
                             width_shift_range=0.4,
                             height_shift_range=0.4,
                             vertical_flip =True,
                             horizontal_flip =True)

idx = 0
fig = plt.figure(figsize=(10, 10))
axs = []
for batch in datage.flow(x , batch_size=1): # 여기서 batch는 x가 됨
    axs.append(flg.add_subplot(5, 4, idx+1))
    axs[idx].imshow(image.array_to_img(batch[0]))
    idx += 1
    if idx%20 == 0:
        break
fig.tight_layout()
plt.show()