معرفی شرکت ها
augmix-tf-1.1.0
تبلیغات ما
مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.
مشاهده بیشتر
تبلیغات ما
مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.
مشاهده بیشتر
تبلیغات ما
مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.
مشاهده بیشتر
تبلیغات ما
مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.
مشاهده بیشتر
تبلیغات ما
مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.
مشاهده بیشترتوضیحات
An implementation of novel data augmentation AugMix (2020) in TensorFlow. It runs on TPU.
| ویژگی | مقدار |
|---|---|
| سیستم عامل | - |
| نام فایل | augmix-tf-1.1.0 |
| نام | augmix-tf |
| نسخه کتابخانه | 1.1.0 |
| نگهدارنده | [] |
| ایمیل نگهدارنده | [] |
| نویسنده | Michal Szachniewicz |
| ایمیل نویسنده | mszachniewicz@outlook.com |
| آدرس صفحه اصلی | https://github.com/szacho/augmix-tf |
| آدرس اینترنتی | https://pypi.org/project/augmix-tf/ |
| مجوز | MIT |
# augmix-tf
Augmix-tf is an implementation of novel data augmentation [AugMix (2020)]([https://arxiv.org/pdf/1912.02781.pdf](https://arxiv.org/pdf/1912.02781.pdf)) in TensorFlow. It runs on TPU.
AugMix utilizes simple augmentation operations which are stochastically sampled and layered to produce a high diversity of augmented images. The process of mixing basic tranformations into augmented image is shown below (picture taken from the original paper). This augmentation performs better when used in concert with Jensen-Shannon Divergence Consistency Loss.
## Installation
```pip install augmix-tf```
## Usage
### AugMix
The main function, which does the augmentation is AugMix.transform, let's print a docstring of it.
```python
from augmix import AugMix
print(AugMix.transform.__doc__)
```
```
Performs AugMix data augmentation on given image.
Parameters:
image (tf tensor): an image tensor with shape (x, x, 3) and values scaled to range [0, 1]
severity (int): level of a strength of transformations (integer from 1 to 10)
width (int): number of different chains of transformations to be mixed
depth (int): number of transformations in one chain, -1 means random from 1 to 3
Returns:
tensor: augmented image
```
**Example 1** - transforming a single image
```python
from PIL import Image
import numpy as np
import tensorflow as tf
import matplotlib.pyplot as plt
from augmix import AugMix
# precalculated means and stds of the dataset (in RGB order)
means = [0.44892993872313053, 0.4148519066242368, 0.301880284715257]
stds = [0.24393544875614917, 0.2108791383467354, 0.220427056859487]
ag = AugMix(means, stds)
# preprocess
image = np.asarray(Image.open('geranium.jpg'))
image = tf.convert_to_tensor(image)
image = tf.cast(image, dtype=tf.float32)
image = tf.image.resize(image, (331, 331)) # resize to square
image /= 255 # scale to [0, 1]
# augment
augmented = ag.transform(image)
# visualize
comparison = tf.concat([image, augmented], axis=1)
plt.imshow(comparison.numpy())
plt.title("Original image (left) and augmented image (right).")
plt.show()
```
)
**Example 2** - transforming a dataset of images
```python
# here a dataset is a tf.data.Dataset object
# assuming images are properly preprocessed (see example 1)
dataset = dataset.map(lambda img: ag.transform(img))
```
**Example 3** - transforming a dataset to use with the Jensen-Shannon loss
```python
# here a dataset is a tf.data.Dataset object
# assuming images are properly preprocessed (see example 1)
dataset = dataset.map(lambda img: (img, ag.transform(img), ag.transform(img)))
```
## Visualization
### AugMix
**original images**
**augmented**
### Simple transformations
AugMix mixes images transformed by simple augmentations defined in ```transformations.py``` file. Every transformation function takes an image and level parameter that determines a strength of this transformation. This level parameter has the same value as severity parameter in AugMix.transform function, so again it is the integer between 1 and 10, where 10 means the strongest augmentation. These functions can be used by itself. Below is a visualization what every simple augmentation does to a batch of images (at level 10).
**translate_x, translate_y**
**rotate**
**shear_x, shear_y**
**solarize**
**solarize_add**
**posterize**
**autocontrast**
**contrast**
**equalize**
**brightness**
**color**
## More information
- [AugMix paper](https://arxiv.org/pdf/1912.02781.pdf)
## TODO
- batch implementation of AugMix
- possibility to choose basic transformations easily
- appendix
- calculation of mean and standard devation on a dataset
- implementation of Jensen-Shannon Divergence Consistency Loss
## License
MIT
نیازمندی
| مقدار | نام |
|---|---|
| - | tensorflow |
| - | tensorflow-probability |
نحوه نصب
نصب پکیج whl augmix-tf-1.1.0:
pip install augmix-tf-1.1.0.whl
نصب پکیج tar.gz augmix-tf-1.1.0:
pip install augmix-tf-1.1.0.tar.gz