from _validation.ValidationTheEnterData import validation_the_enter_data from Load_process.file_processing import Process_File from torchvision import transforms from Load_process.LoadData import Load_Data_Prepare, Load_Data_Tools from torch.utils.data import Dataset class Image_generator(): '''製作資料強化''' def __init__(self, Generator_Root, Labels) -> None: self._validation = validation_the_enter_data() self.stop = 0 self.Labels = Labels self.Generator_Root = Generator_Root pass def Processing_Main(self, Training_Dict_Data_Root): data_size = 0 # 製作標準資料增強 ''' 這裡我想要做的是依照paper上的資料強化IMAGE DATA COLLECTION AND IMPLEMENTATION OF DEEP LEARNING-BASED MODEL IN DETECTING MONKEYPOX DISEASE USING MODIFIED VGG16 產生出資料強化後的影像 ''' print("\nAugmentation one monkeypox image") data_size = self.get_processing_Augmentation(Training_Dict_Data_Root, 1, data_size) self.stop += data_size # 製作標準資料增強 ''' 這裡我想要做的是依照paper上的資料強化IMAGE DATA COLLECTION AND IMPLEMENTATION OF DEEP LEARNING-BASED MODEL IN DETECTING MONKEYPOX DISEASE USING MODIFIED VGG16 產生出資料強化後的影像 ''' print("\nAugmentation two monkeypox image") data_size = self.get_processing_Augmentation(Training_Dict_Data_Root, 2, data_size) self.stop += data_size # 製作標準資料增強 ''' 這裡我想要做的是依照paper上的資料強化IMAGE DATA COLLECTION AND IMPLEMENTATION OF DEEP LEARNING-BASED MODEL IN DETECTING MONKEYPOX DISEASE USING MODIFIED VGG16 產生出資料強化後的影像 ''' print("\nAugmentation three monkeypox image") data_size = self.get_processing_Augmentation(Training_Dict_Data_Root, 3, data_size) self.stop += data_size # 製作標準資料增強 ''' 這裡我想要做的是依照paper上的資料強化IMAGE DATA COLLECTION AND IMPLEMENTATION OF DEEP LEARNING-BASED MODEL IN DETECTING MONKEYPOX DISEASE USING MODIFIED VGG16 產生出資料強化後的影像 ''' print("\nAugmentation four monkeypox image") data_size = self.get_processing_Augmentation(Training_Dict_Data_Root, 4, data_size) print() def get_processing_Augmentation(self, original_image_root : dict, Augment_choose, data_size): Prepaer = Load_Data_Prepare() self.get_data_roots = original_image_root # 要處理的影像路徑 Prepaer.Set_Label_List(self.Labels) data_size = self.Generator_main(self.Generator_Root, Augment_choose, data_size) # 執行 return data_size def Generator_main(self, save_roots, stardand, data_size): ''' Parameter: labels = 取得資料的標籤 save_root = 要儲存資料的地方 strardand = 要使用哪種Image Augmentation ''' File = Process_File() for label in self.Labels: # 分別對所有類別進行資料強化 image = self.load_data(stardand) # 取的資料 save_root = File.Make_Save_Root(label, save_roots) # 合併路徑 if File.JudgeRoot_MakeDir(save_root): # 判斷要存的資料夾存不存在，不存在則創立 print("The file is exist") stop_counter = 0 for batch_idx, (images, labels) in enumerate(image): for i, img in enumerate(images): img_pil = transforms.ToPILImage()(img) File.Save_PIL_File("image_" + label + str(data_size) + ".png", save_root, img_pil) # 存檔 return data_size def load_data(self, judge): '''Images is readed by myself''' Load_Tools = Load_Data_Tools() image_load = Load_Tools.Load_ImageFolder_Data(self.get_data_roots, self.Generator_Content(judge)) img = Load_Tools.DataLoad_Image_Root(image_load, 16) # img = image_processing.Data_Augmentation_Image(self.get_data_roots[label]) self.stop = len(img) * 1.5 return img def Generator_Content(self, judge): # 影像資料增強 ''' ImageGenerator的參數: featurewise_center : 布爾值。將輸入數據的均值設置為0，逐特徵進行。 samplewise_center : 布爾值。將每個樣本的均值設置為0。 featurewise_std_normalization : Boolean. 布爾值。將輸入除以數據標準差，逐特徵進行。 samplewise_std_normalization : 布爾值。將每個輸入除以其標準差。 zca_epsilon : ZCA 白化的epsilon 值，默認為1e-6。 zca_whitening : 布爾值。是否應用ZCA 白化。 rotation_range : 整數。隨機旋轉的度數範圍。 width_shift_range : 浮點數、一維數組或整數 float: 如果<1，則是除以總寬度的值，或者如果>=1，則為像素值。 1-D 數組: 數組中的隨機元素。 int: 來自間隔 (-width_shift_range, +width_shift_range) 之間的整數個像素。 width_shift_range=2時，可能值是整數[-1, 0, +1]，與 width_shift_range=[-1, 0, +1] 相同；而 width_shift_range=1.0 時，可能值是 [-1.0, +1.0) 之間的浮點數。 height_shift_range : 浮點數、一維數組或整數 float: 如果<1，則是除以總寬度的值，或者如果>=1，則為像素值。 1-D array-like: 數組中的隨機元素。 int: 來自間隔 (-height_shift_range, +height_shift_range) 之間的整數個像素。 height_shift_range=2時，可能值是整數[-1, 0, +1]，與 height_shift_range=[-1, 0, +1] 相同；而 height_shift_range=1.0 時，可能值是 [-1.0, +1.0) 之間的浮點數。 shear_range : 浮點數。剪切強度（以弧度逆時針方向剪切角度）。 zoom_range : 浮點數或[lower, upper]。隨機縮放範圍。如果是浮點數，[lower, upper] = [1-zoom_range, 1+zoom_range]。 channel_shift_range : 浮點數。隨機通道轉換的範圍。 fill_mode : {"constant", "nearest", "reflect" or "wrap"} 之一。默認為'nearest'。輸入邊界以外的點根據給定的模式填充： 'constant': kkkkkkkk|abcd|kkkkkkkk (cval=k) 'nearest': aaaaaaaa|abcd|dddddddd 'reflect': abcddcba|abcd|dcbaabcd 'wrap': abcdabcd|abcd|abcdabcd cval : 浮點數或整數。用於邊界之外的點的值，當 fill_mode = "constant" 時。 horizontal_flip : 布爾值。隨機水平翻轉。 vertical_flip : 布爾值。隨機垂直翻轉。 rescale : 重縮放因子。默認為None。如果是None 或0，不進行縮放，否則將數據乘以所提供的值（在應用任何其他轉換之前）。 preprocessing_function : 應用於每個輸入的函數。這個函數會在任何其他改變之前運行。這個函數需要一個參數：一張圖像（秩為3 的Numpy 張量），並且應該輸出一個同尺寸的Numpy 張量。 data_format : 圖像數據格式，{"channels_first", "channels_last"} 之一。"channels_last" 模式表示圖像輸入尺寸應該為(samples, height, width, channels)，"channels_first" 模式表示輸入尺寸應該為(samples, channels, height, width)。默認為在Keras 配置文件 ~/.keras/keras.json 中的 image_data_format 值。如果你從未設置它，那它就是"channels_last"。 validation_split : 浮點數。Float. 保留用於驗證的圖像的比例（嚴格在0和1之間）。 dtype : 生成數組使用的數據類型。 ''' if judge == 1: return transforms.Compose([ transforms.RandomRotation(30), transforms.RandomResizedCrop(224, scale=(0.8, 1.0)), transforms.RandomHorizontalFlip(), transforms.ColorJitter(brightness=0.2, contrast=0.2, saturation=0.2, hue=0.1), ]) elif judge == 2: return transforms.Compose([ transforms.RandomRotation(180), transforms.RandomResizedCrop(224, scale=(0.7, 1.0)), transforms.RandomHorizontalFlip(), transforms.RandomVerticalFlip(), ]) elif judge == 3: return transforms.Compose([ transforms.RandomRotation(45), transforms.RandomResizedCrop(224, scale=(0.9, 1.0)), transforms.RandomAffine(degrees=20, shear=0.2), transforms.ColorJitter(brightness=0.2, contrast=0.2), transforms.RandomHorizontalFlip(), ]) elif judge == 4: return transforms.Compose([ transforms.RandomRotation(50), transforms.RandomResizedCrop(224, scale=(0.75, 1.0)), transforms.RandomAffine(degrees=30, shear=0.25), transforms.ColorJitter(brightness=0.3, contrast=0.3, saturation=0.3, hue=0.2), transforms.RandomHorizontalFlip(), transforms.RandomVerticalFlip(), ]) else: return transforms.ToTensor() # 將數值歸一化到[0, 1]之間