ttach

ttach

وقت اختبار الصورة زيادة مع Pytorch!

على غرار ما يفعله تكبير البيانات لمجموعة التدريب ، فإن الغرض من زيادة وقت الاختبار هو إجراء تعديلات عشوائية على صور الاختبار. وبالتالي ، بدلاً من إظهار الصور العادية "النظيفة" ، مرة واحدة فقط إلى النموذج المدربين ، سنعرضها للصور المعززة عدة مرات. سنقوم بعد ذلك بتقييم تنبؤات كل صورة مقابلة ونأخذ ذلك كتخميننا النهائي [1].

           Input
             |           # input batch of images 
        / / /|        # apply augmentations (flips, rotation, scale, etc.)
       | | | | | | |     # pass augmented batches through model
       | | | | | | |     # reverse transformations for each batch of masks/labels
           / / /      # merge predictions (mean, max, gmean, etc.)
             |           # output batch of masks/labels
           Output

جدول المحتويات

1. بداية سريعة
2. يتحول
3. الاسم المستعار
4. أوضاع دمج
5. تثبيت

بداية سريعة

غلاف نموذج التجزئة [docstring]:

 import ttach as tta
tta_model = tta . SegmentationTTAWrapper ( model , tta . aliases . d4_transform (), merge_mode = 'mean' )

غلاف نموذج التصنيف [docstring]:

 tta_model = tta . ClassificationTTAWrapper ( model , tta . aliases . five_crop_transform ())

غلاف نموذج Keypoints [docstring]:

 tta_model = tta . KeypointsTTAWrapper ( model , tta . aliases . flip_transform (), scaled = True )

ملاحظة : يجب أن يعيد النموذج نقاط المفاتيح في torch([x1, y1, ..., xn, yn])

أمثلة متقدمة

تحويل مخصص:

 # defined 2 * 2 * 3 * 3 = 36 augmentations !
transforms = tta . Compose (
    [
        tta . HorizontalFlip (),
        tta . Rotate90 ( angles = [ 0 , 180 ]),
        tta . Scale ( scales = [ 1 , 2 , 4 ]),
        tta . Multiply ( factors = [ 0.9 , 1 , 1.1 ]),        
    ]
)

tta_model = tta . SegmentationTTAWrapper ( model , transforms )

نموذج مخصص (متعدد المدخلات / مخرجات متعددة)

 # Example how to process ONE batch on images with TTA
# Here `image`/`mask` are 4D tensors (B, C, H, W), `label` is 2D tensor (B, N)

for transformer in transforms : # custom transforms or e.g. tta.aliases.d4_transform() 
    
    # augment image
    augmented_image = transformer . augment_image ( image )
    
    # pass to model
    model_output = model ( augmented_image , another_input_data )
    
    # reverse augmentation for mask and label
    deaug_mask = transformer . deaugment_mask ( model_output [ 'mask' ])
    deaug_label = transformer . deaugment_label ( model_output [ 'label' ])
    
    # save results
    labels . append ( deaug_mask )
    masks . append ( deaug_label )
    
# reduce results as you want, e.g mean/max/min
label = mean ( labels )
mask = mean ( masks )

يتحول

تحول	حدود	قيم
أفقي	-	-
العمودي	-	-
تدوير 90	زوايا	قائمة [0 ، 90 ، 180 ، 270]
حجم	المقاييس الاستيفاء	قائمة [تعويم] "أقرب"/"خطي"
تغيير الحجم	الأحجام Original_size الاستيفاء	قائمة [tuple [int ، int]] Tuple [int ، int] "أقرب"/"خطي"
يضيف	قيم	قائمة [تعويم]
ضاعف	عوامل	قائمة [تعويم]
fivecrops	crop_height crop_width	int int

الاسم المستعار

• flip_transform (أفقي + تقلبات رأسية)
• hflip_transform (الوجه الأفقي)
• d4_transform (Flips + Rotation 0 ، 90 ، 180 ، 270)
• multiscale_transform (تحويل المقياس ، خذ المقاييس كمعلمة إدخال)
• Five_CROP_TRANSFORM (محاصيل الزاوية + المحصول المركزي)
• ten_crop_transform (خمسة محاصيل + خمسة محاصيل على الوجه الأفقي)

أوضاع دمج

• يقصد
• GMEAN (يعني الهندسة)
• مجموع
• الأعلى
• دقيقة
• tsharpen (درجة الحرارة شحذ مع t = 0.5)

تثبيت

Pypi:

$ pip install ttach

مصدر:

$ pip install git+https://github.com/qubvel/ttach

إجراء اختبارات

docker build -f Dockerfile.dev -t ttach:dev . && docker run --rm ttach:dev pytest -p no:cacheprovider