PyTorch 数据增强耗时过长

Posted

技术标签:

【中文标题】PyTorch 数据增强耗时过长【英文标题】:PyTorch Data Augmentation is taking too long 【发布时间】:2020-02-27 13:55:01 【问题描述】:

对于涉及回归的任务,我需要训练我的模型从 RGB 图像生成密度图。为了增加我的数据集,我决定水平翻转所有图像。就此而言,我还必须翻转我的地面实况图像,并且我这样做了。

dataset_for_augmentation.listDataset(train_list,
                        shuffle=True,
                        transform=transforms.Compose([
                            transforms.RandomHorizontalFlip(p=1),
                            transforms.ToTensor(),
                            transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]),
                        ]),
                        target_transform=transforms.Compose([
                            transforms.RandomHorizontalFlip(p=1),
                            transforms.ToTensor()
                        ]),
                        train=True,
                        resize=4,
                        batch_size=args.batch_size,
                        num_workers=args.workers),

但问题是:出于某种原因,PyTorch transforms.RandomHorizo​​ntalFlip 函数仅将 PIL 图像(不允许使用 numpy)作为输入。所以我决定将类型转换为 PIL Image。

img_path = self.lines[index]

img, target = load_data(img_path, self.train, resize=self.resize)

if type(target[0][0]) is np.float64:
    target = np.float32(target)

img = Image.fromarray(img)
target = Image.fromarray(target)

if self.transform is not None:
    img = self.transform(img)
    target = self.target_transform(target)

return img, target

是的,这个操作需要大量的时间。考虑到我需要对数千张图像执行此操作,每批 23 秒(最多应该不到半秒)是不能容忍的。

2019-11-01 16:29:02,497 - INFO - Epoch: [0][0/152]  Time 27.095 (27.095)    Data 23.150 (23.150)    Loss 93.7401 (93.7401)

如果有任何建议可以加快我的增强过程,我将不胜感激

【问题讨论】:

【参考方案1】:

@Berriel 答案的更多补充。

水平翻转

您正在为Xy 图像使用transforms.RandomHorizontalFlip(p=1)。在您的情况下,使用p=1,这些转换将完全相同,但您错过了数据增强点,因为网络只会看到翻转的图像(而不仅仅是原始图像)。您应该选择低于 1 且高于 0 的概率(通常为 0.5),以获得图像版本的高度可变性。

如果是这种情况 (p=0.5),您可以肯定会发生这样一种情况:X 被翻转,y 没有。

我建议使用 albumentations 库,它是 albumentations.augmentations.transforms.HorizontalFlip 以相同的方式对两个图像进行翻转。

标准化

您可以找到 normalizationImageNet 手段,并且在那里也已经设置了标准。

缓存

此外,为了加快速度,您可以使用torchdata 第三方库(免责声明我是作者)。在您的情况下,您可以在磁盘上使用albumentationscache 将图像从PIL 转换为TensorNormalize,或者在使用torchdata 进行这些转换之后在RAM 图像中甚至更好,最后应用您的转换。这种方式将允许您仅在初始时期后将HorizontalFlips 应用于您的图像和目标,之前的步骤将被预先计算。

【讨论】:

谢谢,预先计算增强步骤是我最初的计划,但后来我迷失了这个特定的步骤。我一定会努力落实您的建议。 顺便说一句,我假设在 RandomHorizo​​ntalFlip 中将 p 设置为 1 是不正确的?我想了解为什么在这种情况下 x 和 y 的转换方式会有所不同。 @3yanlis1bos 更新了我关于翻转的答案。是的,您将获得完全相同的转换,但您不会以这种方式扩充数据集,因为 所有图像 会被翻转。增强通常会增加数据集的大小和它的可变性,在这里它会保持完全相同。 是的,这是我的错误。我希望通过这些转换来扩大我的数据集! :d 原来我要问的不是我的主要问题。这使您的回答更加有价值,谢谢。【参考方案2】:

您无需更改 DataLoader 即可执行此操作。你可以使用ToPILImage():

transform=transforms.Compose([
    transforms.ToPILImage(),  # check mode assumption in the documentation
    transforms.RandomHorizontalFlip(p=1),
    transforms.ToTensor(),
    transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]),
])

无论如何,我会避免转换为 PIL。这似乎完全没有必要。如果你想翻转所有图像,那为什么不只使用 NumPy 来做呢?

img_path = self.lines[index]

img, target = load_data(img_path, self.train, resize=self.resize)

if type(target[0][0]) is np.float64:
    target = np.float32(target)

# assuming width axis=1 -- see my comment below
img = np.flip(img, axis=1)
target = np.flip(target, axis=1)

if self.transform is not None:
    img = self.transform(img)
    target = self.target_transform(target)

return img, target

然后从Compose 中删除transforms.RandomHorizontalFlip(p=1)。因为ToTensor(...) 也处理ndarray,所以你很高兴。

注意:我假设宽度轴等于 1,因为 ToTensor 期望它在那里。

来自docs:

转换 PIL 图像或 numpy.ndarray (H x W x C) ...

【讨论】:

嗨,我使用转换的目的是执行数据增强。换句话说,我同时需要翻转和未翻转的图像,因为我想将数据集的大小加倍。但现在我发现这并没有像我尝试的那样奏效。 ToPILImage 在我的情况下不起作用,因为我的目标是二维图像,它与 H x W x C 结构不匹配。 @3yanlis1bos 我不明白。在步骤t,您是否希望数据加载器同时提供翻转图像和原始图像(imgtarget)?告诉我。 @3yanlis1bos 你可能想要imgtarget 在时间步t。这就是通常进行增强的方式,网络看到原始示例一次,第二次转换案例,因此它不会过度拟合。您确定要同时提供两个版本,而不是像通常那样按顺序提供吗? @3yanlis1bos 完全正确 :) 并且您获得了不必存储 2 * 数据库的好处。

以上是关于PyTorch 数据增强耗时过长的主要内容,如果未能解决你的问题,请参考以下文章

Pytorch-数据增强

如何在 Pytorch 中使用 torchvision.transforms 对分割任务进行数据增强?

如何使用 Pytorch 将增强图像添加到原始数据集中?

Pytorch Note33 数据增强

在 pytorch 中使用 torchvision.transforms 进行数据增强

如何在 PyTorch 中对子集使用不同的数据增强