ttach

ttach

การเพิ่มเวลาทดสอบภาพด้วย pytorch!

เช่นเดียวกับการเพิ่มข้อมูลที่ทำกับชุดการฝึกอบรมวัตถุประสงค์ของการเพิ่มเวลาทดสอบคือการปรับเปลี่ยนแบบสุ่มไปยังภาพทดสอบ ดังนั้นแทนที่จะแสดงภาพปกติ“ สะอาด” เพียงครั้งเดียวกับโมเดลที่ผ่านการฝึกอบรมเพียงครั้งเดียวเราจะแสดงภาพที่เพิ่มขึ้นหลายครั้ง จากนั้นเราจะเฉลี่ยการคาดการณ์ของแต่ละภาพที่เกี่ยวข้องและใช้เป็นครั้งสุดท้ายที่เราคาดเดา [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

สารบัญ

1. เริ่มต้นอย่างรวดเร็ว
2. เปลี่ยนรูป
3. นามแฝง
4. โหมดผสาน
5. การติดตั้ง

เริ่มต้นอย่างรวดเร็ว

การแบ่งโมเดลการแบ่งส่วน [docString]:

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

การห่อหุ้มรูปแบบการจำแนก [docString]:

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

การห่อโมเดล Keypoints [docString]:

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

หมายเหตุ : รุ่นจะต้องส่งคืนจุดเริ่มต้นในรูปแบบ torch([x1, y1, ..., xn, yn])

ตัวอย่างขั้นสูง

การแปลงที่กำหนดเอง:

 # 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 )

โมเดลที่กำหนดเอง (มัลติอินพุต / หลายเอาท์พุท)

 # 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 )

เปลี่ยนรูป

เปลี่ยนรูป	พารามิเตอร์	ค่า
แนวนอน	-	-
แนวดิ่ง	-	-
หมุน 90	มุม	รายการ [0, 90, 180, 270]
มาตราส่วน	เครื่องชั่ง การแก้ไข	รายการ [ลอย] "ใกล้"/"linear"
ปรับขนาด	ขนาด Original_size การแก้ไข	รายการ [tuple [int, int]] tuple [int, int] "ใกล้"/"linear"
เพิ่ม	ค่า	รายการ [ลอย]
คูณ	ปัจจัย	รายการ [ลอย]
ความร้อนแรง	crop_height crop_width	int int

นามแฝง

• flip_transform (แนวนอน + flips แนวตั้ง)
• hflip_transform (พลิกแนวนอน)
• D4_Transform (Flips + Rotation 0, 90, 180, 270)
• multiscale_transform (การแปลงสเกลใช้สเกลเป็นพารามิเตอร์อินพุต)
• FIFE_CROP_TRANSFORM (CORNER CROPS + CENTER CROP)
• ten_crop_transform (ห้าพืช + ห้าพืชในการพลิกแนวนอน)

โหมดผสาน

• หมายถึง
• Gmean (ค่าเฉลี่ยเรขาคณิต)
• ผลรวม
• สูงสุด
• นาที
• tsharpen (อุณหภูมิคมชัดด้วย t = 0.5)

การติดตั้ง

pypi:

$ pip install ttach

แหล่งที่มา:

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

เรียกใช้การทดสอบ

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