Data augmentation

Clase 16 de 25 • Curso de Redes Neuronales Convolucionales con Python y Keras

Joaquin Romero Flores

student•

Data Augmentation

Data augmentation: busca mejorar el rendimiento, la precisión de nuestro modelo aumentando la cantidad y estilo de datos.

Es difícil obtener y clasificar las imágenes para entrenar el modelo?

Tiende a serlo ya que se usan ambientes especiales para tomar una fotografía, sea de manera o no profesional. Luz, escenario, etc.

Data augmentation toma una imagen y le hace ciertas modificaciones como:

Hacerle zoom **
Desplazar la imagen de sus ejes X, & Y
Aumentar el brillo
Rotar la imagen: Esto no es más que un relleno en los espacios de la imagen que inicialmente no pertenecían a esta. Tiende a rotar la imagen sobre su eje. _ Keras_ tiene facultades que permiten hacer fill_mode del tipo:
Nearest
** Reflect:** muestra una imagen tipo espejo
** Wrap:** crea una tira consecutiva de la imagen para completar los espacios.
Width & Height_shift_range: se desplaza sobre el ancho y el alto de la imagen.

A modo de sumario, Data Augmentation lo que hace es mantener la foto con sus características principales pero creando imágenes distintas.

La máquina observa dos fotos “** parecidas**” pero con características similar. Esto es lo buscado y deseado al llevar a cabo un entrenamiento que pueda encontrar estas características

Jhon Freddy Tavera Blandon

student•

El aumento de datos (data augmentation) es una técnica ampliamente utilizada en el aprendizaje profundo, especialmente en tareas de visión por computadora como la clasificación de imágenes. Consiste en aplicar transformaciones aleatorias a las imágenes de entrenamiento, lo que aumenta la diversidad y la cantidad de datos disponibles para el modelo. Esto ayuda a mejorar la generalización del modelo y a reducir el sobreajuste.

Luis Rogelio Reyes Hernandez

student•

Link de ejemplos y documentación respecto a esto https://keras.io/guides/transfer_learning/

Ricardo Cruz

student•

Data Augmentation Funcionalidad

Lo que esto ocasiona es que podamos tener mas datos para entrenar nuestro modelo y contar con esos sesgos que posiblemente podrías tener cuando lanzamos un modelo a producción, imaginemos que nos dan una imagen toda rotada y distorsionada pues con un dataset con imágenes limpias no podremos conseguir realizar esa tarea.

De lo contrario cuando tenemos mas datos con diferentes formas podemos obtener resultados con imágenes que no nos esperamos.

Ricardo Cruz

student•

Entendido. Una imagen con diferentes Estilos, Colores, Movimientos y Sabores.!!

Jesus Edward Rocca

student•

Resumen 📝

Antonio Demarco Bonino

student•

Estamos optimizando la data para poder entrenar mejor al modelo.

Mario Alexander Vargas Celis

student•

**Data augmentation** (aumento de datos) es una técnica comúnmente utilizada en el entrenamiento de redes neuronales para aumentar el tamaño del conjunto de datos de entrenamiento. Se basa en aplicar transformaciones aleatorias a las imágenes de entrenamiento, como rotaciones, cambios de escala, traslaciones, flips, entre otros, para generar nuevas muestras sin necesidad de recolectar más datos. Esto ayuda a reducir el sobreajuste (overfitting), mejorando la capacidad de generalización del modelo.

### ¿Por qué es importante?

En tareas como la clasificación de imágenes, a menudo no se dispone de suficientes datos de entrenamiento, lo que puede llevar a que un modelo aprenda patrones específicos del conjunto de datos en lugar de generalizar bien a nuevas imágenes. Al aumentar artificialmente el tamaño del conjunto de datos con data augmentation, se fuerza al modelo a aprender características más robustas.

### Ejemplo de transformaciones comunes en data augmentation:

- **Rotación**: Girar la imagen dentro de un rango de grados.

- **Escalado**: Aumentar o reducir el tamaño de la imagen.

- **Traslación**: Desplazar la imagen a lo largo del eje X o Y.

- **Flip**: Voltear la imagen horizontal o verticalmente.

- **Zoom**: Acercar o alejar ciertas áreas de la imagen.

### Ejemplo usando TensorFlow/Keras

En TensorFlow y Keras, se puede implementar data augmentation de manera muy sencilla usando las capas predefinidas de keras.layers. Aquí te dejo un ejemplo práctico:


import tensorflow as tf

from tensorflow.keras.preprocessing.image import ImageDataGenerator

import matplotlib.pyplot as plt

from tensorflow.keras.datasets import cifar10



\# Cargar el conjunto de datos CIFAR-10

(x\_train, y\_train), (x\_test, y\_test) = cifar10.load\_data()



\# Normalizar las imágenes

x\_train = x\_train.astype('float32') / 255.0

x\_test = x\_test.astype('float32') / 255.0



\# Crear el generador de datos con aumentación

datagen = ImageDataGenerator(

&#x20;   rotation\_range=30,     # Rotar hasta 30 grados

&#x20;   width\_shift\_range=0.2, # Desplazar horizontalmente hasta un 20%

&#x20;   height\_shift\_range=0.2, # Desplazar verticalmente hasta un 20%

&#x20;   zoom\_range=0.2,        # Aplicar zoom de hasta un 20%

&#x20;   horizontal\_flip=True,  # Voltear horizontalmente

&#x20;   fill\_mode='nearest'    # Rellenar los bordes de la imagen al aplicar transformaciones

)



\# Tomar una muestra de imágenes para demostrar la augmentación

sample\_images = x\_train\[:5]



\# Generar y mostrar las imágenes aumentadas

fig, ax = plt.subplots(1, 5, figsize=(15, 15))



for i in range(5):

&#x20;   augmented\_image = datagen.random\_transform(sample\_images\[i])

&#x20;   ax\[i].imshow(augmented\_image)

&#x20;   ax\[i].axis('off')



plt.show()

### Explicación del código:

1. **Cargar los datos**: En este caso, se usa el conjunto de datos CIFAR-10, que contiene imágenes de 32x32 píxeles en 10 categorías.

2. **Normalización**: Las imágenes se escalan a un rango [0, 1] para que el entrenamiento sea más eficiente.

3. **ImageDataGenerator**: Define las transformaciones para el aumento de datos, como rotación, desplazamiento, zoom y flip horizontal.

4. **Visualización**: Se aplican las transformaciones aleatorias a algunas imágenes y se muestran para ver el efecto de data augmentation.

### Ejemplo de entrenamiento con Data Augmentation:


\# Definir el generador de datos de entrenamiento con augmentación

train\_datagen = ImageDataGenerator(

&#x20;   rotation\_range=30,

&#x20;   width\_shift\_range=0.2,

&#x20;   height\_shift\_range=0.2,

&#x20;   zoom\_range=0.2,

&#x20;   horizontal\_flip=True,

&#x20;   fill\_mode='nearest'

)



\# Crear el flujo de datos de entrenamiento

train\_generator = train\_datagen.flow(x\_train, y\_train, batch\_size=32)



\# Definir un modelo simple

model = tf.keras.models.Sequential(\[

&#x20;   tf.keras.layers.Conv2D(32, (3, 3), activation='relu', input\_shape=(32, 32, 3)),

&#x20;   tf.keras.layers.MaxPooling2D(pool\_size=(2, 2)),

&#x20;   tf.keras.layers.Flatten(),

&#x20;   tf.keras.layers.Dense(128, activation='relu'),

&#x20;   tf.keras.layers.Dense(10, activation='softmax')

])



model.compile(optimizer='adam', loss='sparse\_categorical\_crossentropy', metrics=\['accuracy'])



\# Entrenar el modelo usando el generador de datos con augmentación

history = model.fit(train\_generator, epochs=10, validation\_data=(x\_test, y\_test))

### Ventajas del Data Augmentation:

- **Mejora la generalización**: Al presentar variaciones de las imágenes originales, el modelo aprende a identificar características más robustas.

- **Aumenta el tamaño del conjunto de datos**: Sin necesidad de recopilar más datos reales.

- **Reduce el sobreajuste**: El modelo evita memorizar los datos exactos de entrenamiento.

### Conclusión

El data augmentation es una herramienta poderosa para mejorar el rendimiento y la capacidad de generalización de los modelos, especialmente cuando se cuenta con conjuntos de datos pequeños o medianos.

Francisco Franco

student•

La tecnica de aumento de datos (data augmentation) es utilizada para ampliar artificialmente un conjunto de datos de entrenamiento. Esto se logra mediante la creación de nuevas muestras de datos a partir de datos existentes, aplicando diversas transformaciones aleatorias a los datos originales.

Las transformaciones utilizadas en el aumento de datos pueden ser simples, como rotar, escalar o recortar imágenes, o más complejas, como agregar ruido, cambiar el brillo o aplicar filtros. El objetivo de estas transformaciones es crear variaciones realistas de los datos originales, para que el modelo de aprendizaje automático pueda aprender a generalizar mejor y evitar el sobreajuste.

El aumento de datos es especialmente útil en tareas de visión por computador, donde los conjuntos de datos pueden ser grandes y costosos de recopilar. Al aumentar el conjunto de datos, podemos entrenar modelos más robustos y precisos con menos datos.

Joaquin Romero Flores

student•

Data augmentation

Data augmentation busca mejorar el rendimiento y precisión de nuestro modelo.
Aumentando la cantidad y estilo de datos.

Es difícil obtener y clasificar las imágenes para entrenar el modelo?

Tiende a serlo ya que se usan ambientes especiales para tomar una fotografía, sea de manera o no profesional. Luz, escenario, etc.

Data augmentation toma una imagen y le hace ciertas modificaciones. Esto no es más que un relleno en los espacios de la imagen que inicialmente no pertenecían a esta, pot ejemplo:

Hacerle zoom
Rotar la imagen: sobre su eje, Keras tiene facultades que permiten hacer un “fill_mode del tipo:

“nearest”
“reflect” que muestra una imagen tipo espejo.
“wrap” crea una tira consecutiva de la imagen para completar los espacios.
“width & height_shift_range” se desplaza sobre el ancho y el alto de la imagen

Desplazar la imagen de sus ejes X, & Y
Aumentar el brillo

Lo que hace es mantener la foto con sus características principales pero creando imágenes distintas. La máquina observa dos fotos “parecidas” pero con características similar. Esto es lo buscado y deseado al llevar a cabo un entrenamiento que pueda encontrar estas características

Data augmentation

Redes convolucionales y su importancia

La importancia del computer vision

¿Qué herramientas usaremos para redes neuronales convolucionales?

¿Qué son las redes convolucionales?

Mi primera red neuronal convolucional

Creando nuestra primera red convolucional

Entrenando nuestra primera red convolucional

Manejo de imágenes

Consejos para el manejo de imágenes

Manejo de imágenes con Python

Fundamentos de redes neuronales convolucionales

Kernel en redes neuronales

El kernel en acción

Padding y Strides

Capa de pooling

Arquitectura de redes convolucionales

Resolviendo un problema de clasificación

Clasificación con redes neuronales convolucionales

Creación de red convolucional para clasificación

Entrenamiento de un modelo de clasificación con redes convolucionales

Optimización de red neuronal convolucional

Data augmentation

Aplicando data augmentation

Callbacks: early stopping y checkpoints

Batch normalization

Optimización de modelo de clasificación

Entrenamiento de nuestro modelo de clasificación optimizado

Resolviendo una competencia de Kaggle

Clasificando entre perros y gatos

Entrenamiento del modelo de clasificación de perros y gatos

Resumen y siguientes pasos

Siguientes pasos con redes neuronales convolucionales

Comparte tu proyecto de clasificación con redes convolucionales y certifícate