[파이썬] Keras 이미지 데이터 확장

07 Sep 2023

Keras

이미지 데이터 확장은 신경망 모델의 성능을 향상시키는 데 도움이 되는 중요한 기술 중 하나입니다. Keras는 이미지 데이터 확장을 간단하게 구현할 수 있는 다양한 방법을 제공합니다. 이 블로그 포스트에서는 Keras를 사용하여 이미지 데이터를 확장하는 방법에 대해 알아보겠습니다.

1. Keras의 ImageDataGenerator

Keras에서 이미지 데이터 확장을 수행하기 위해 사용할 수 있는 가장 강력한 도구는 ImageDataGenerator 클래스입니다. 이 클래스는 데이터셋에서 이미지를 가져와 필요한 변환을 적용하여 확장된 이미지를 생성합니다. 다음은 ImageDataGenerator를 사용하여 이미지 데이터를 확장하는 예제 코드입니다:

from keras.preprocessing.image import ImageDataGenerator

datagen = ImageDataGenerator(
    rotation_range=20,  # 이미지 회전 각도 범위 설정
    width_shift_range=0.2,  # 수평 이동 범위 설정
    height_shift_range=0.2,  # 수직 이동 범위 설정
    shear_range=0.2,  # 전단 강도 범위 설정
    zoom_range=0.2,  # 확대/축소 범위 설정
    horizontal_flip=True,  # 수평 반전 여부
    fill_mode='nearest'  # 이미지를 채우는 방법 설정
)

# 이미지 데이터를 불러온 뒤 확장 수행
image = load_image('path/to/image.jpg')
extended_images = datagen.flow(image, batch_size=1)

위 코드에서 ImageDataGenerator에는 여러 가지 인자를 설정할 수 있습니다. 예를 들어 rotation_range는 이미지 회전의 각도 범위를 설정하고, width_shift_range는 이미지를 수평으로 이동시킬 범위를 설정합니다. fill_mode 인자는 새로 생성된 픽셀을 채우는 방법을 결정합니다. flow 메서드는 실제로 이미지 데이터를 확장하고 배치 단위로 생성된 이미지를 반환합니다.

2. 확장된 이미지 시각화

확장된 이미지를 시각화하여 실제로 어떻게 변하는지 확인할 수 있습니다. 다음은 ImageDataGenerator를 사용하여 이미지 데이터를 확장한 뒤 확장된 이미지를 시각화하는 예제 코드입니다:

import matplotlib.pyplot as plt

fig, axes = plt.subplots(nrows=3, ncols=3, figsize=(10, 10))

for ax, img in zip(axes.flatten(), extended_images):
    ax.imshow(img)
    ax.axis('off')

plt.tight_layout()
plt.show()

위 코드에서는 plt.subplots 함수를 사용하여 이미지를 행렬로 배치한 후, imshow 함수를 사용하여 각 이미지를 시각화합니다. 마지막으로 plt.show 함수를 호출하여 그림을 화면에 표시합니다.

3. Keras의 다른 확장 기법

ImageDataGenerator를 사용하는 것 외에도 Keras는 다른 이미지 데이터 확장 기법들을 제공합니다. 예를 들어 다음과 같은 방식으로 특정 이미지 데이터를 확장할 수 있습니다:

3-1. Cutout

Cutout은 이미지의 일부 영역을 임의로 삭제하여 데이터를 더 다양하게 만드는 방법입니다. 이 기법은 과적합을 줄이고 모델의 일반화 성능을 향상시킬 수 있습니다. 다음은 Cutout을 적용하는 예제 코드입니다:

from keras.preprocessing.image import apply_cutout

image = load_image('path/to/image.jpg')
cutout_image = apply_cutout(image, mask_size=16)

3-2. Mixup

Mixup은 두 개의 이미지를 선형 결합하여 새로운 이미지를 생성하는 방법입니다. 이를 통해 모델이 서로 다른 이미지 간의 특징을 더 잘 학습할 수 있습니다. 다음은 Mixup을 적용하는 예제 코드입니다:

from keras.preprocessing.image import mixup_images

image1 = load_image('path/to/image1.jpg')
image2 = load_image('path/to/image2.jpg')
mixed_image = mixup_images(image1, image2, alpha=0.8)

결론

이미지 데이터 확장은 Keras를 사용하여 쉽게 구현할 수 있는 강력한 기법입니다. 이를 통해 모델의 성능을 향상시키고 일반화 성능을 향상시킬 수 있습니다. 다양한 데이터 확장 기법을 활용하여 신경망 모델의 성능을 더욱 높여보세요.