我想使用 Keras 和由 50 个类组成的数据集执行图像分类。目前，我每个类只有 7 张图像，我需要执行数据增强以训练模型并获得可接受的准确度值。
我正在使用kerasImageDataGenerator的课程，推荐用于动态图像增强（在训练期间）。由于分类表现不佳，我想知道是否有必要执行离线增强，即在训练之前扩大数据集，因为老实说，我认为 7 远不是每类图像的合理数量。
执行这两种类型的增强（在训练之前和训练期间）是一种常见的做法吗？我计划使用一些 3rd 方软件或工具，如 imgaug，首先扩大数据集并将增强后的图像保存到磁盘，然后才使用类执行实时增强ImageDataGenerator。
总之，流程将与此类似：
你怎么认为？
谢谢你。
在您提到的两个管道中，我推荐第二个（即实时增强）。这比第一个要好，因为通过执行随机增强，网络在每个时期看到不同的图像。
我推荐imgaug，这是一个用于执行数据增强的 python 库。我发现它非常有用，因为它可以ImageDataGenerator很好地与 keras 一起使用。可以做到这一点的方法是：
from imgaug import augmenters as iaa
seq = iaa.Sequential([...]) # list of desired augmentors
ig = ImageDataGenerator(preprocessing_function=seq.augment_image) # pass this as the preprocessing function
gen = ig.flow_from_directory(data_dir) # nothing else changes with the generator
最后我想说的是即使有增强，深度学习的图像也很少。确保使用预训练的网络，否则会出现严重的过拟合问题。
Elastic Transformation 在我的缺陷检测器上运行良好： https ://github.com/nyck33/defect_detector_CNN_Keras/blob/master/ElasticTransform.ipynb
它也在 Kaggle 上： https ://www.kaggle.com/bguberfain/elastic-transform-for-data-augmentation
它用于医学图像，因为它保留了像素相对于底层网格的位置，同时扭曲了图像，但它几乎适用于我认为的任何数据集。