Есть ли способ просмотреть изображения, на которых тренируется API обнаружения объектов тензорного потока после всей предварительной обработки/аугментации.
Я хотел бы убедиться, что все выглядит правильно. Я смог проверить изменение размера, посмотрев на изменение размера столбца графика в выводе, но я, очевидно, не могу сделать это для параметров увеличения.
В прошлом с Керасом мне удавалось это делать, и я обнаружил, что был слишком агрессивен.
API предоставляет тестовый код для дополнительных опций. В файле input_test.py функция test_apply_image_and_box_augmentation для этого. Вы можете переписать эту функцию, передав свои собственные изображения в tensor_dict, а затем сохранить augmented_tensor_dict_out для проверки, или вы можете напрямую визуализировать ее.
РЕДАКТИРОВАТЬ: Поскольку на этот ответ уже давно ответили и до сих пор не приняли, я решил дать более конкретный ответ с примерами. Я написал небольшой тестовый скрипт под названием augmentation_test.py.
from __future__ import absolute_import
from __future__ import division
from __future__ import print_function
import functools
import os
from absl.testing import parameterized
import numpy as np
import tensorflow as tf
from scipy.misc import imsave, imread
from object_detection import inputs
from object_detection.core import preprocessor
from object_detection.core import standard_fields as fields
from object_detection.utils import config_util
from object_detection.utils import test_case
FLAGS = tf.flags.FLAGS
class DataAugmentationFnTest(test_case.TestCase):
def test_apply_image_and_box_augmentation(self):
data_augmentation_options = [
(preprocessor.random_horizontal_flip, {
})
]
data_augmentation_fn = functools.partial(
inputs.augment_input_data,
data_augmentation_options=data_augmentation_options)
tensor_dict = {
fields.InputDataFields.image:
tf.constant(imread('lena.jpeg').astype(np.float32)),
fields.InputDataFields.groundtruth_boxes:
tf.constant(np.array([[.5, .5, 1., 1.]], np.float32))
}
augmented_tensor_dict =
data_augmentation_fn(tensor_dict=tensor_dict)
with self.test_session() as sess:
augmented_tensor_dict_out = sess.run(augmented_tensor_dict)
imsave('lena_out.jpeg',augmented_tensor_dict_out[fields.InputDataFields.image])
if __name__ == '__main__':
tf.test.main()
Вы можете поместить этот скрипт под models/research/object_detection/ и просто запустить его под python augmentation_test.py. Чтобы успешно запустить его, вы должны указать любое имя изображения «lena.jpeg», а выходное изображение после увеличения будет сохранено как «lena_out.jpeg».
Я запустил его с образом 'lena', и вот результат до аугментации и после аугментации. 
.
Обратите внимание, что я использовал preprocessor.random_horizontal_flip в сценарии. И результат показал, как именно выглядит входное изображение после random_horizontal_flip. Чтобы протестировать его с другими параметрами дополнения, вы можете заменить random_horizontal_flip другими методами (все они определены в preprocessor.py, а также в прото-файле конфигурации), все вы можете добавить другие параметры в список data_augmentation_options, например:
data_augmentation_options = [(preprocessor.resize_image, {
'new_height': 20,
'new_width': 20,
'method': tf.image.ResizeMethod.NEAREST_NEIGHBOR
}),(preprocessor.random_horizontal_flip, {
})]
Вот код для достижения того, что было задано в вопросе https://github.com/majrie/visualize_augmentation/blob/master/visualize_augmentation.ipynb .
Он основан на ответе @danyfang на следующий вопрос Визуализация увеличенных изображений поездов [API обнаружения объектов тензорного потока].
