python - 图像识别中的预处理

Question

我是图像识别的初学者，需要一些有关预处理图像的帮助。

1. 我使用迁移学习模型 resnet18 进行识别工作。我得到:
在 [3] 中:pretrainedmodels.pretrained_settings['resnet18']
出[3]:
{'图像网':{'网址':
'https://download.pytorch.org/models/resnet18-
5c106cde.pth',
'输入空间':'RGB'，
'input_size': [3, 224, 224],
'input_range': [0, 1],
'平均':[0.485，0.456，0.406]，
'标准':[0.229，0.224，0.225]，
'num_classes':1000}}


我发现 mean 和 std 与我的图像数据集完全不同。

我应该如何标准化我的训练集？用上面的均值和标准差还是用我自己算的均值和标准差？

1. 我将数据集分为 train_set、valid_set 和 test_set。

我有两种方法:

A.计算它们的均值和标准差并单独归一化

B.计算整个数据集的均值和标准差，然后进行归一化。

哪个是对的？

3.什么时候做归一化？在 data_augmentation 之前还是在 data_augmentation 之后？

Answer 1

如果您使用自己的数据集和预训练权重训练新模型，则需要为新数据集设置新的均值和标准差。

基本上，您需要重复 ImageNet 的处理过程。编写一个脚本来计算整个数据集的一般 [mean, std] 值。

但请记住注意您的数据集分布，因为它肯定会影响模型性能。

然后为您的训练/验证集单独定义一个转换器方法。通常我们不会对测试集进行归一化，因为在现实世界场景中，您的模型将接收不同类型的数据。您应该在构建数据集时执行规范化过程，并结合其他增强技术。

例如，考虑这个玩具示例

"transformer": {
    "train": transforms.Compose([
        transforms.Resize(size=299),
        transforms.RandomHorizontalFlip(p=0.2),
        transforms.ToTensor(),
        transforms.Normalize(new_mean, new_std)
    ]),
    "valid": transforms.Compose([
        transforms.Resize(size=299),
        transforms.ToTensor(),
    ])
}

train_ds = CustomDataset(type="train", transformer=transformer["train"])
valid_ds = CustomDataset(type="valid", transformer=transformer["valid"])

如果你有更多的困惑，请告诉我