[딥러닝] 데이터 증강(ImageDataGenerator)

데이터 증강(이미지 증식)

• 모델의 과대적합을 방지하기 위한 기법 중 하나
• 유사한 이미지를 생성하여 학습에 용이하게 만들어주고 학습데이터의 양 자체를 늘려주는 효과
  
  

from tensorflow.keras.preprocessing.image import ImageDataGenerator

# ImageDataGenerator : 이미지 데이터를 생성하기 위한 조건을 설정하는 함수
aug = ImageDataGenerator(rotation_range=30,        # 이미지 회전 각도
                         width_shift_range=0.2,   # 20% 내외 수평이동
                         height_shift_range=0.2,   # 20% 내외 수직이동
                         zoom_range=0.2,           # 0.8 ~ 1.2배로 축소/확대
                         horizontal_flip=True,     # 수평방향으로 뒤집기
                         fill_mode='nearest'       # 이미지가 변형되면서 비는 공간을 가장 가까운 픽셀값으로 채워줌
                         )
                  
                  
                  
pre_trained_model2 = VGG16(include_top=False,
                           input_shape=(224,224,3),
                           weights='imagenet'
                           )             
              
              
for layer in pre_trained_model2.layers :
  if layer.name == 'block5_conv3' :
    layer.trainable = True
  else :
    layer.trainable = False
    
    
    
cnn_model4 = Sequential()

cnn_model4.add(pre_trained_model2)

cnn_model4.add(Flatten())

cnn_model4.add(Dense(128, activation ='relu'))
cnn_model4.add(Dense(64, activation ='relu'))
cnn_model4.add(Dense(32, activation ='relu'))

cnn_model4.add(Dense(3, activation ='softmax'))



cnn_model4.compile(loss='sparse_categorical_crossentropy',
                   optimizer='Adam',
                   metrics =['acc']
                   )
                   
                   
# flow : ImageDataGenerator로 설정한 조건을 통해 이미지를 생성하여 학습에 적용시켜주는 함수
cnn_model4.fit(aug.flow(X_train, y_train, batch_size=128),
               # 한 epoch 당 7.5번 돌고 끝나게 됨(128 * 7.5으로 총 960개의 새로운 이미지를 생성)
               steps_per_epoch=len(X_train) / 128,
               epochs=50
               )
# 1epoch 때 증식된 이미지 960개로 학습, 2epoch 때 960개가 추가되어서 총 1920개로 학습


pre = cnn_model4.predict(X_test)

print(classification_report(y_test, np.argmax(pre, axis=1)))

              precision    recall  f1-score   support

           0       0.85      0.85      0.85        87
           1       0.88      0.82      0.85        79
           2       0.80      0.85      0.82        74

    accuracy                           0.84       240
   macro avg       0.84      0.84      0.84       240
weighted avg       0.84      0.84      0.84       240