Lección 8 del curso Clasificación de Imágenes con Deep Learning.
En la lección anterior vimos cómo implementar dos estrategias de clasificación de imágenes con transferencia de aprendizaje, es decir afinando una Red Convolucional pre-entrenada para de esta forma lograr especializarla en la clasificación de nuestras imágenes.
En esta lección veremos cómo implementar el «image augmentation», una estrategia que permite añadir de manera artificial variabilidad a las imágenes de entrenamiento con el fin de mejorar la capacidad de generalización de la Red Convolucional al momento de clasificar imágenes:
Contenido exclusivo para suscriptores
Si eres suscriptor accede en este enlace ó suscríbete a la Academia Online y accede a todo el contenido (lecciones en video, código fuente, sets de datos y descargas) de todos los cursos, proyectos y tutoriales.
Como acabamos de ver, la implementación del «image augmentation» con ayuda de PyTorch realmente es muy sencilla.
Simplemente debemos usar el módulo «transforms» para definir las transformaciones a aplicar sobre los datos de entrenamiento. Y además de las transformaciones convencionales de la fase de pre-procesamiento, añadimos aquellas correspondientes al «image augmentation» (como por ejemplo RandomHorizontalFlip, RandomVerticalFlip, RandomZoomOut o RandomRotation).
Lo importante a tener en cuenta en esta implementación es que:
- Las transformaciones no incrementan el número de imágenes de entrenamiento, simplemente transforman aleatoriamente aquellas imágenes ya existentes
- Las transformaciones del «image augmentation» se aplican únicamente a los datos de entrenamiento y no a los datos de validación o prueba
Y el objetivo de añadir estas transformaciones aleatorias es lograr en últimas entrenar un modelo más robusto, con mejor capacidad de generalización y por tanto un mejor desempeño.
Aunque en este caso particular realmente no existe una mejora significativa en el desempeño del modelo clasificador, lo que se sugiere es usar esta estrategia de «image augmentation» y contrastar sus resultados frente al de un modelo entrenado sin este tipo de transformaciones.
Entonces, en este punto ya tenemos claro qué es, cómo se implementa y qué ventajas podría llegar a proporcionar el «image augmentation» combinado por ejemplo con estrategias de afinación al momento de entrenar una Red Convolucional para clasificar imágenes.
Así que con esto ya hemos completado el segundo módulo del curso. En el tercer y último módulo del curso nos enfocaremos en las principales estrategias que podremos usar para clasificar imágenes usando el Vision Transformer.
Y en particular, en la próxima lección veremos cómo realizar la clasificación de imágenes con un Vision Transformer pre-entrenado.
Todas las lecciones del curso Clasificación de Imágenes con Deep Learning