不平衡图像数据集 (Tensorflow2)

Posted 2023-02-16

【中文标题】不平衡图像数据集 (Tensorflow2)

【英文标题】：Imbalanced Image Dataset (Tensorflow2)

【发布时间】：2021-05-07 01:18:32

【问题描述】：

我正在尝试解决二值图像分类问题，但是这两个类（分别为 1 类和 2 类的 ~590 和 ~5900 个实例）严重倾斜，但仍然非常不同。

有什么办法可以解决这个问题，我想尝试 SMOTE/随机加权过采样。

我尝试了很多不同的东西，但我被卡住了。我试过使用class_weights=[10,1]、[5900,590] 和[1/5900,1/590]，但我的模型仍然只能预测第 2 类。 我试过使用tf.data.experimental.sample_from_datasets，但我无法让它工作。我什至尝试过使用 sigmoid 焦点交叉熵损失，这有很大帮助，但还不够。

我希望能够将 1 类过采样 10 倍，我尝试过的唯一有效的方法是手动过采样，即复制火车目录的 1 类实例以匹配 2 类中的实例数。

有没有更简单的方法可以做到这一点，我正在使用 Google Colab，所以这样做效率极低。

有没有办法在数据生成器或类似工具中指定 SMOTE 参数/过采样？

data/
...class_1/
........image_1.jpg
........image_2.jpg
...class_2/
........image_1.jpg
........image_2.jpg

我的数据如上所示。

TRAIN_DATAGEN = ImageDataGenerator(rescale = 1./255.,
                                   rotation_range = 40,
                                   width_shift_range = 0.2,
                                   height_shift_range = 0.2,
                                   shear_range = 0.2,
                                   zoom_range = 0.2,
                                   horizontal_flip = True)

TEST_DATAGEN = ImageDataGenerator(rescale = 1.0/255.)

TRAIN_GENERATOR = TRAIN_DATAGEN.flow_from_directory(directory = TRAIN_DIR,
                                                    batch_size = BACTH_SIZE,
                                                    class_mode = 'binary', 
                                                    target_size = (IMG_HEIGHT, IMG_WIDTH),
                                                    subset = 'training',
                                                    seed = DATA_GENERATOR_SEED)

VALIDATION_GENERATOR = TEST_DATAGEN.flow_from_directory(directory = VALIDATION_DIR,
                                                        batch_size = BACTH_SIZE,
                                                        class_mode = 'binary', 
                                                        target_size = (IMG_HEIGHT, IMG_WIDTH),
                                                        subset = 'validation',
                                                        seed = DATA_GENERATOR_SEED)
...
...
...

HISTORY = MODEL.fit(TRAIN_GENERATOR,
                    validation_data = VALIDATION_GENERATOR,
                    epochs = EPOCHS,
                    verbose = 2,
                    callbacks = [EARLY_STOPPING],
                    class_weight = CLASS_WEIGHT)

我对 Tensorflow 比较陌生，但我对整个机器学习有一些经验。我曾多次想切换到 PyTorch，因为它们有数据加载器的参数，可以自动（过度/不足）采样 sampler=WeightedRandomSampler。

注意：我看过很多关于如何过采样的教程，但是它们都不是图像分类问题，我想坚持使用 TF/Keras，因为它可以轻松进行迁移学习，你们能帮忙吗？

【问题讨论】：

见***.com/questions/41648129/…

【参考方案1】：

您可以使用此策略根据不平衡计算权重：

from sklearn.utils import class_weight 
import numpy as np

class_weights = class_weight.compute_class_weight(
           'balanced',
            np.unique(train_generator.classes), 
            train_generator.classes)

train_class_weights = dict(enumerate(class_weights))
model.fit_generator(..., class_weight=train_class_weights)

【参考方案2】：

由于您已经将class_weight 定义为字典，例如0: 10, 1: 1，您可以尝试增加少数类。请参阅balancing an imbalanced dataset with keras image generator 和https://blog.keras.io/building-powerful-image-classification-models-using-very-little-data.html 上的教程（在那里提到）

【讨论】：

我在我的问题中输入错误，我确实将它们作为字典传递

【参考方案3】：

在 Python 中，您可以使用 imblearn 库实现 SMOTE，如下所示：

from imblearn.over_sampling import SMOTE

oversample = SMOTE()
X, y = oversample.fit_resample(X, y)

【讨论】：

在这种情况下，我对如何获取 X 和 y 感到非常困惑，我可以从 DataGen 中提取它还是需要为 X 解析两个文件夹？

@SakibAhamed 你能把整个数据加载到内存中吗？如果是，X和y就是整个数据的特征和标签

要加载到 RAM 中的数据太多了，这才是真正的问题 - 这就是为什么我如此热衷于使用生成器

@SakibAhamed 在这种情况下，您可以使用生成器分批加载数据，然后将每批数据过采样到 SMOTE，然后再将它们提供给模型。