인스톨! 파이토치 8강 | 이미지 데이터 증강 완벽 가이드: 기본부터 Albumentations까지

[AI 인공지능 머신러닝 딥러닝/Python | PyTorch] - 인스톨! 파이토치 강의 소개

인스톨! 파이토치 강의 소개

 

 

 

인스톨! 파이토치

데이터 증강이란?

데이터 증강(Data Augmentation)은 기존 학습 데이터에 인위적인 변형을 가해 데이터셋의 크기와 다양성을 증가시키는 기법입니다. 새로운 이미지를 수집하는 대신, 원본 이미지를 변형하여 모델이 다양한 상황에서도 잘 작동하도록 학습시킵니다. 이는 과적합을 완화하고 모델의 일반화 성능을 크게 향상시키며, 특히 데이터가 제한적일 때 필수적입니다.[^1][^2][^3]

8-1강. 이미지 데이터 증강 30종 완벽 정리

기본 증강 기법

이미지 증강 기법은 크게 Spatial-level과 Pixel-level로 구분됩니다.[^4]

Spatial-level Augmentation (공간 변형)

공간적 정보를 직접 조정하는 증강 기법입니다:[^4]

1. 회전(Rotation): 이미지를 특정 각도로 회전[^3][^5]
2. 수평/수직 뒤집기(Flip): 이미지를 좌우 또는 상하로 반전[^6][^3]
3. 크롭(Crop): 이미지의 일부 영역을 잘라냄[^5][^3]
   • RandomCrop: 무작위 위치에서 자르기
   • CenterCrop: 중앙 영역 자르기
   • RandomResizedCrop: 크기와 위치를 무작위로 조정하며 자르기[^6]
4. 이동(Translation): 이미지를 특정 방향으로 이동[^4]
5. 스케일링(Scaling): 이미지 크기 조정[^4]
6. 전단(Shear): 이미지를 기울이기[^5][^4]
7. 패딩(Padding): 이미지 가장자리에 픽셀 추가[^5]

Pixel-level Augmentation (픽셀 값 변경)

픽셀 값 자체를 변경하는 기법입니다:[^4]

8. 밝기 조정(Brightness): 이미지 전체의 밝기 변경[^3]
9. 대비 조정(Contrast): 명암 대비 조정[^3]
10. 채도 조정(Saturation): 색상의 선명도 조정[^3]
11. 색상 변환(Hue): 색조 변경
12. 컬러 지터(Color Jitter): 밝기, 대비, 채도를 한꺼번에 조정[^3]
13. 그레이스케일(Grayscale): 흑백 이미지로 변환
14. 노이즈 추가(Noise Injection): 가우시안 노이즈 등 추가[^3]
15. 블러(Blur): 이미지를 흐리게 처리[^5]

• GaussianBlur: 가우시안 블러
• MotionBlur: 모션 블러
• MedianBlur: 중간값 블러

고급 증강 기법

16. Cutout: 이미지의 일부를 무작위로 제거
17. MixUp: 두 이미지를 섞어 새로운 이미지 생성
18. CutMix: 한 이미지의 일부를 다른 이미지로 대체
19. Elastic Transform: 탄성 변형 적용
20. Grid Distortion: 격자 왜곡
21. Optical Distortion: 광학 왜곡
22. Random Erasing: 무작위 영역 지우기
23. CoarseDropout: 큰 영역을 무작위로 제거
24. Perspective Transform: 원근 변환
25. Affine Transform: 어파인 변환[^4]

PyTorch Transform 예시

from torchvision import transforms

train_transform = transforms.Compose([
    transforms.Resize((256, 256)),
    transforms.RandomRotation(degrees=15),
    transforms.RandomHorizontalFlip(p=0.5),
    transforms.RandomVerticalFlip(p=0.5),
    transforms.RandomResizedCrop(224, scale=(0.8, 1.0)),
    transforms.ColorJitter(brightness=0.2, contrast=0.2, saturation=0.2),
    transforms.ToTensor(),
    transforms.Normalize(mean=[0.485, 0.456, 0.406], 
                        std=[0.229, 0.224, 0.225])
])

이렇게 Compose를 사용하여 여러 증강 기법을 순차적으로 적용할 수 있습니다.[^5]

8-2강. Albumentations - 최강의 증강 라이브러리

Albumentations란?

Albumentations는 케글러들이 만든 빠르고 유연한 이미지 증강 라이브러리입니다. PyTorch의 torchvision.transforms를 대체할 수 있으며, OpenCV, NumPy, imgaug 등 여러 라이브러리를 기반으로 최적화되어 매우 빠른 속도를 자랑합니다.[^7][^8][^9]

Albumentations의 장점

1. 다양한 컴퓨터 비전 태스크 지원: Classification, Segmentation, Object Detection, Pose Estimation 등[^10]
2. 70개 이상의 증강 기법 제공: torchvision보다 훨씬 다양한 기법 사용 가능[^10]
3. 빠른 처리 속도: 최적화된 구현으로 실시간 증강에 적합[^8][^7]
4. 통일된 API: 간결하고 직관적인 사용법[^10]
5. 유연한 확률 제어: 각 증강 기법마다 적용 확률 설정 가능[^11]

설치 방법

pip install albumentations

기본 사용법

import albumentations as A
import cv2

# 이미지 읽기
image = cv2.imread('image.jpg')
image = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)

# 증강 파이프라인 정의
transform = A.Compose([
    A.HorizontalFlip(p=0.5),
    A.RandomRotate90(p=0.5),
    A.RandomBrightnessContrast(p=0.2),
    A.GaussNoise(p=0.2),
    A.Blur(blur_limit=3, p=0.1),
])

# 증강 적용
augmented = transform(image=image)
augmented_image = augmented['image']

각 증강 함수에 p 파라미터를 지정하여 적용 확률을 제어할 수 있습니다. 예를 들어 p=0.5는 50% 확률로 해당 증강을 적용한다는 의미입니다.[^11]

PyTorch Dataset과 통합

import albumentations as A
from albumentations.pytorch import ToTensorV2
from torch.utils.data import Dataset

class AlbumentationsDataset(Dataset):
    def __init__(self, file_paths, labels, transform=None):
        self.file_paths = file_paths
        self.labels = labels
        self.transform = transform

    def __len__(self):
        return len(self.file_paths)

    def __getitem__(self, idx):
        image = cv2.imread(self.file_paths[idx])
        image = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)

        if self.transform:
            augmented = self.transform(image=image)
            image = augmented['image']

        return image, self.labels[idx]

# Transform 정의
albumentations_transform = A.Compose([
    A.Resize(256, 256),
    A.RandomCrop(224, 224),
    A.HorizontalFlip(p=0.5),
    A.Normalize(mean=[0.485, 0.456, 0.406], 
                std=[0.229, 0.224, 0.225]),
    ToTensorV2()
])

dataset = AlbumentationsDataset(
    file_paths=image_paths,
    labels=labels,
    transform=albumentations_transform
)

고급 기법: OneOf와 Compose

transform = A.Compose([
    A.OneOf([
        A.GaussNoise(p=1.0),
        A.GaussianBlur(p=1.0),
        A.MotionBlur(p=1.0),
    ], p=0.3),  # 이 중 하나를 30% 확률로 적용

    A.OneOf([
        A.OpticalDistortion(p=1.0),
        A.GridDistortion(p=1.0),
        A.ElasticTransform(p=1.0),
    ], p=0.2),  # 이 중 하나를 20% 확률로 적용

    A.RandomBrightnessContrast(p=0.5),
])

OneOf를 사용하면 여러 증강 기법 중 하나만 무작위로 선택하여 적용할 수 있습니다.[^7]

주요 증강 기법 예시

Pixel-level

• RandomBrightnessContrast: 밝기와 대비 조정
• HueSaturationValue: 색조, 채도, 명도 조정
• RGBShift: RGB 채널 값 이동
• CLAHE: 대비 제한 적응 히스토그램 평활화

Spatial-level

• ShiftScaleRotate: 이동, 스케일, 회전을 한 번에[^4]
• Affine: 어파인 변환
• Perspective: 원근 변환
• ElasticTransform: 탄성 변형
• GridDistortion: 격자 왜곡

데이터 증강 사용 팁

1. 훈련 시에만 적용: 검증/테스트 데이터에는 증강을 적용하지 않거나 최소한으로 적용[^1]
2. 적절한 확률 설정: 너무 강한 증강은 오히려 성능을 해칠 수 있으므로 적절한 확률 조정 필요
3. 도메인 특성 고려: 의료 영상, 위성 이미지 등 도메인에 따라 적절한 증강 기법 선택
4. 실험적 접근: 다양한 증강 조합을 실험하여 최적의 조합 찾기

결론

이미지 데이터 증강은 제한된 데이터로도 강건한 모델을 만드는 핵심 기술입니다. PyTorch의 기본 transforms로 시작하여, 더 다양하고 빠른 증강이 필요할 때는 Albumentations 라이브러리를 활용하면 됩니다. 30가지 이상의 다양한 증강 기법을 적재적소에 활용하여 모델의 일반화 성능을 극대화할 수 있습니다.

 

 

 

 

다음 글

[AI 인공지능 머신러닝 딥러닝/Python | PyTorch] - 인스톨! 파이토치 9강 | VGGNet으로 전이 학습 시작하기: 사전 학습 모델 활용 완벽 가이드

인스톨! 파이토치 9강 | VGGNet으로 전이 학습 시작하기: 사전 학습 모델 활용 완벽 가이드