Gestion des images avec PyTorch

Apprentissage profond intermédiaire avec PyTorch

Michal Oleszak

Machine Learning Engineer

Ensemble de données « Clouds »

Échantillons de l'ensemble de données sur les nuages : cinq images montrant différents types de nuages.

¹ https://www.kaggle.com/competitions/cloud-type-classification2/data

Qu'est-ce qu'une image ?

Image de nuage avec une partie agrandie laissant voir les pixels.

Une image est faite de pixels (« éléments d'image »)
Chaque pixel contient des infos de couleur
Niveaux de gris : entier de 0 à 255
- 30 :

Carré gris

Images en couleur : trois entiers, un par canal (rouge, vert, bleu)
- RGB = (52, 171, 235) :

Carré bleu

Charger des images dans PyTorch

Structure de répertoires souhaitée :

clouds_train

  - cumulus

    - 75cbf18.jpg
    - ...

  - cumulonimbus
  - ...

clouds_test

  - cumulus
  - cumulonimbus
  - ...

Dossiers principaux : clouds_train et clouds_test
Dans chaque dossier principal : un dossier par catégorie
Dans chaque dossier de classe : des fichiers image

Charger des images dans PyTorch

from torchvision.datasets import ImageFolder
from torchvision import transforms


train_transforms = transforms.Compose([
    transforms.ToTensor(),
    transforms.Resize((128, 128)),
])


dataset_train = ImageFolder(
    "data/clouds_train",
    transform=train_transforms,
)

Définir les transformations :
- Convertir en tenseur
- Redimensionner à 128x128
Créer l'ensemble de données en passant :
- Le chemin des données
- Les transformations définies

Afficher des images

dataloader_train = DataLoader(
    dataset_train, 
    shuffle=True, 
    batch_size=1,
)

image, label = next(iter(dataloader_train))
print(image.shape)

torch.Size([1, 3, 128, 128])

image = image.squeeze().permute(1, 2, 0)
print(image.shape)

torch.Size([128, 128, 3])

import matplotlib.pyplot as plt
plt.imshow(image)
plt.show()

Image de nuage affichée par plt.show

Augmentation des données

train_transforms = transforms.Compose([

    transforms.RandomHorizontalFlip(),
    transforms.RandomRotation(45),

    transforms.ToTensor(),
    transforms.Resize((128, 128)),
])


dataset_train = ImageFolder(
    "data/clouds/train",
    transform=train_transforms,
)

Augmentation des données : créer plus de données en appliquant des transformations aléatoires aux images originales

Accroître la taille et la diversité de l'ensemble d'entraînement
Améliorer la robustesse du modèle
Réduire le surapprentissage

Trois images de nuages illustrant la rotation

Passons à la pratique !

Apprentissage profond intermédiaire avec PyTorch