2023.10.26 2024.09.18

記事内に商品プロモーションを含む場合があります

Albumentations：物体検出（枠）にも対応したデータ拡張ライブラリを解説

Aru

データ拡張（Data Augmentation）は、モデルの精度向上に不可欠なテクニックです。この記事では、物体検出の検出枠（BBOX, Bounding Box）やセグメンテーションのマスクデータに対応したデータ拡張ライブラリ「Albumentations」の使い方について、実際の効果を画像で確認しながらクイックリファレンス的な形式で解説します。

Contents

データ拡張（Data Augmentation）とは

データ拡張（Data Augmentation）は、訓練データセット内のサンプル数を増やすために、元のデータを加工・変換する手法です。

データ拡張の主要な目的は、モデルの汎化能力を向上させ、過学習を防ぎ、新しいデータに対する性能を向上させることです。これにより、訓練データが限られている場合でも、より強力なモデルを構築できます。

データ拡張をは、ディープラーニングでは非常に有用な手法の1つで、学習時だけでなく、推論時にも利用したりします（TTA、Test Time Augumentation）。

Albumentationsとは

Albumentationsは、コンピュータビジョンタスク用のデータ拡張のためのライブラリです。画像認識（クラス分類）だけでなく、物体検出タスク、セグメンテーションタスクにも対応していいることが特徴です。

この記事では、Albumentationsの使い方について説明します。

Albumentations公式

GitHub: https://github.com/albumentations-team/albumentations
ドキュメント：https://albumentations.ai/

torchvisionのtransformsもv2で「物体検出タスク」、「セグメンテーションタスク」に対応しています。詳しくは、こちらの記事を参照してください。

検出枠に対応！torchvisionのデータ拡張（v2）の使い方を解説

インストール

Albumentationsはインストールも簡単です。

Google Colabでは以下のコードを実行します。

!pip install -U albumentations

ローカルな環境では、先頭の!を外した以下のコマンドをコマンドラインで実行します。

pip install -U albumentations

基本的な使い方

以下基本的な使い方です。

まず、ライブラリをインポートします。画像の読み込みにOpenCVを利用したいと思いますので、cv2も一緒にインポートしておきます。

import albumentations as A
import cv2

以下、代表的な合成関連のAPIです。他にもいくつかAPIが用意されていますが、Composeと、OneOfだけで大体の場合は記述できます。引数などの詳しい情報は、公式ページを参考にしてください。

重複（他で代用できそうなもの）は省略しています。

複数のデータ拡張を順番に呼び出す（`Compose`）

Albumentationsでは、「データ拡張Aの次にデータ拡張Bを実行する」といったように、複数のデータ拡張を組みあせて使うことが多いです。

複数のデータ拡張を順番に実行する場合は、以下のようにComposeを利用します。

以下の例では、RandomCropとHorizontalFlip、RandomBrightnessContrastの３つの変換を順に処理します。

transform = A.Compose([
    A.RandomCrop(width=256, height=256),
    A.HorizontalFlip(p=0.5),
    A.RandomBrightnessContrast(p=0.2),
])

このように、Composeはリストに列挙された処理を順番に処理する関数です。

ほとんどの関数に引数pが指定できます。これは、処理する確率（確率）を指定するものです。p=1.0にした場合は必ず処理され、p=0.5にした場合は50%の確率で処理されます。

上記で定義したtransformは、以下のように利用できます。

なお、img = cv2.cv2Color(img, cv2.COLOR_BGR2RGB)は、読み込んだ画像のフォーマットがBGRでRGBに変換の必要がある場合に挿入します。

img = cv2.imread('/path/to/image.jpg')
img = cv2.cv2Color(img, cv2.COLOR_BGR2RGB)
transformed_img = transform(image = img)

リストに列挙された１つを処理する（`OneOf`）

リストに列挙された処理の１つを選択して処理します。複数の処理のうち、１つを選んで処理したい場合に利用します

PerChannel

チャネルごとに変換を行います。

利用例

以下は、ComposeとOneOfを組み合わせた例です。この例では、RandomCropは必ず実行され、HorizontalFlipとRandomBrightnessContrastはどちらか一方が50%の確率で適用されます。

transform = A.Compose([
    A.RandomCrop(width=256, height=256),
    A.OneOf([
      A.HorizontalFlip(),
      A.RandomBrightnessContrast(),
    ], p = 0.5)
])

Transforms

Transformsとして分類されている機能の一覧です（ここで紹介した以外の変換もあります）。

`ChannelShuffle`

RGBをランダムにシャッフルします

result = A.ChannelShuffle(p=1)(image=img)

CLAHE

Contrast Limited Adaptive Histogram Equalization(CLAHE, 適応的ヒストグラム平滑化)を適用します。コントラストが低い映像がはっきりします。

result = A.CLAHE(p=1)(image=img)

`ColorJitter`

カラージッターを挿入します。brightness, contrast, saturation, hueそれぞれのジッター量を指定できます。

result = A.ColorJitter(brightness=1.0, hue=(-0.5,0.5), p=1)(image=img)

ColorJitter(brightness=1.0, hue=(-0.5,0.5))

主要パラメータ

`brightness`	floatまたは(min, max)で指定
`contrast`	floatまたは(min, max)で指定
`saturation`	floatまたは(min, max)で指
`hue`	floatまたは(min, max）で指定。-0.5~0.5の範囲で指定

`Downscale`

縮小と拡大を行うことで画質劣化させます。

result = A.Downscale(scale_min=0.1, scale_max=0.25, interpolation=cv2.INTER_LINEAR, p=1)(image=img)

Downscale(scale_min=0.1, scale_max=0.25)

Downscale(scale_min=0.1, scale_max=0.25, interpolation=cv2.INTER_LINEAR)

主要パラメータ

`scale_min`	縮小の加減　< 1
`scale_max`	縮小の上限
`interpolation`	補完方法。デフォルトはCV2.INTER_NEAREST。 OpenCVの補完方法が選択できます。

`GaussNoise`

ガウスノイズをつけます

result = A.GaussNoise(var_limit=(100, 150), p=1)(image=img)

主要パラメータ

var_limit 変動範囲　(min, max)で指定。floatで指定した場合は、(0, val)までになる

`ImageCompression`

圧縮ノイズを付加します。

result = A.ImageCompression(quality_lower=1, quality_upper=10, p=1)(image=img)

ImageCompression(quality_lower=1, quality_upper=10)

主要パラメータ

`quality_lower`	画質の下限。1~100の範囲で指定する
quality_upper	画質の上限。1~100の範囲で指定する

`InvertImg`

画素値を反転させます

result = A.InvertImg(p=1)(image=img)

`Sharpen`

シャープネス処理を施します

result = A.Sharpen(alpha=(0, 1.0), p=1)(image=img)

主要パラメータ

alpha (min, max）で設定。0がシャープネスなし、1が最大

`Normalize`

以下の式で正規化します。主に、モデルに入力する前に正規化するための処理です

img = (img - mean * max_pixel_value) / (std * max_pixel_value)

result = A.Normalize(p=1)(image=img)

主要パラメータ

mean	平均値。デフォルトは`(0.485, 0.456, 0.406)`
std	偏差。デフォルトは`(0.229, 0.224, 0.225)`
max_pixel_value	ピクセルの最大値。デフォルトは255.0

ToTensorV2

pytorchのテンソルに変換します。これを利用するには、以下のインポートが必要です。

import albumentations.pytorch

以下のようにpytorchのテンソルに変換できます。

result = A.pytorch.ToTensorV2()(image=img)
result['image'].shape

torch.Size([3, 500, 505])

Blur

Blurとして分類されている機能の一部です

`AdvancedBlur`

ぼかしフィルタです。詳しくは、https://arxiv.org/abs/2107.10833を参考にしてください。

result = A.AdvancedBlur(
    blur_limit=(3, 15), 
    sigmaX_limit=(0.5, 3), 
    sigmaY_limit=(0.5, 3),  p=1)(image=img)

AdvancedBlur(blur_limit=(3, 15),sigmaX_limit=(0.5, 3),sigmaY_limit=(0.5, 3))

主要パラメータ

blur_limit	カーネルサイズ。０または奇数
sigmaX_limit	x方向のガウスカーネルの標準偏差
sigmaY_limit	y方向のガウスカーネルの標準偏差
beta_limit	1が正規分布。0~の範囲で裾野の形が変わる
rotate_limit	ガウスカーネルの回転角度 (min,max)で指定。デフォルトは(-90, 90)

`Blur`

入力画像をぼかす

result = A.Blur()(image=img)

主要パラメータ

blur_limit

カーネルサイズ。3以上を設定する必要がある。デフォルトは(3, 7)

`GaussianBlur`

ガウスぼかしを行う。ガウスカーネルと偏差が個別に設定できる。

主要パラメータ

blur_limit	カーネルサイズ。0以上を設定する必要がある。デフォルトは(3, 7)
sigma_limit	シグマの範囲をfloatか(min, max) で指定する。 0に設定するとカーネルサイズに合わせて自動計算される。

Crop

Cropとして分類されている機能の一部です

`BBoxSafeRandomCrop`

bboxを失わずに、クロップします。主に物体検出タスクのデータ拡張で利用します（物体検出については、後で解説します）

bboxesは、物体検知の枠情報です（albumentationsフォーマット。他のフォーマットも選択可能）。下記コードには、変換後の枠の描画も含まれています。

bboxes = [[0.01, 0.55 , 1.0,0.94]]

def clamp(n, smallest, largest):
    return max(smallest, min(n, largest))

result = A.BBoxSafeRandomCrop(erosion_rate=0.3)(image=img, bboxes=bboxes)
img2 = result['image'].copy()
for bbox in result['bboxes']:
  x1, y1, x2, y2 = bbox
  h, w, _ = img2.shape
  x1 = clamp(x1, 0, 1)
  y1 = clamp(y1, 0, 1)
  x2 = clamp(x2, 0, 1)
  y2 = clamp(y2, 0, 1)
  cv2.rectangle(img2, (int(x1*w), int(y1*h)), (int(x2*w), int(y2*h)), (0,0,255), 4)

cv2_imshow(img2)

※左図では画像サイズが自動調整されているため、実際の結果とは異なります。

主要パラメータ

erosion_rate

枠をどの程度の範囲まで侵食してよいかを指定。
0.0を指定した場合は枠ははみ出させないようにクロップ

`CenterCrop`

中央部分をトリミングする

result = A.CenterCrop(width=200, height=200)(image=img)

※左図では画像サイズが自動調整されているため、実際の結果とは異なります。

主要パラメータ

height	切り抜く高さを指定
width	切り抜く幅を指定

`Crop`

画像を指定された領域で切り抜きます

result = A.Crop(x_min=0, y_min=0, x_max=256, y_max=100)(image=img)

Crop(x_min=0, y_min=0, x_max=256, y_max=100)

※左図では画像サイズが自動調整されているため、実際の結果とは異なります。

主要パラメータ

x_min	(x_min, y_min)-(x_max, y_max)で切り抜き
y_min
x_max
y_max

`RandomCrop`

ランダムに切り抜きます

result = A.RandomCrop(width=200, height=200)(image=img)

※左図では画像サイズが自動調整されているため、実際の結果とは異なります。

主要パラメータ

height	切り抜く高さを指定
width	切り抜く幅を指定

Dropout

Dropoutとして分類されている機能の一部です

`CoarseDropout`

長方形領域をドロップアウトします。

result = A.CoarseDropout(
    max_holes= 100,
    max_height=16, 
    max_width =16, p=1)(image=img)

CoarseDropout(max_holes= 100, max_height=16, max_width =16)

主要パラメータ

max_holes	最大の穴の数
min_holes	最小の穴の数
max_height	最大の穴の高さ
min_height	最小の穴の高さ
max_width	最大の穴の幅
min_width	最小の穴の幅
fill_value	穴を塗りつぶす値。デフォルトは0。floatまたは(0,0,0)形式で指定する

Cutout

矩形領域をドロップアウトします（CoarseDropoutとの差がよくわかりません）

result = A.Cutout (
    num_holes=100, 
    max_h_size=16, max_w_size=16, 
    fill_value=(255,0,0), p=1)(image=img)

Cutout (num_holes=100, max_h_size=16, max_w_size=16, fill_value=(255,0,0))

主要パラメータ

num_holes	領域の数
max_h_size	最大の穴の高さ
max_w_size	最大の穴の幅
fill_value	穴を塗りつぶす値。デフォルトは0。floatまたは(0,0,0)形式で指定する

幾何変換

Geometricとして分類されている機能の一部です

`LongestMaxSize`

アスペクト比を維持して、縦横の大きい方がmax_sizeを等しくなるようにスケーリングします

result = A.LongestMaxSize(max_size=256)(image=img)

主要パラメータ

`max_size`	最大サイズ
`interpolation`	補完方法。デフォルトはCV2.INTER_NEAREST。 OpenCVの補完方法が選択できます。

`RandomScale`

サイズをランダムに変更します

result = A.RandomScale(scale_limit=(-1, 1), p=1)(image=img)

主要パラメータ

`scale_limit`	0を1倍として、(min, max)の範囲で倍率を設定します。デフォルトは(-0,1. 0.1）です
`interpolation`	補完方法。デフォルトはCV2.INTER_NEAREST。 OpenCVの補完方法が選択できます。

`Resize`

指定された高さと幅に変更します。アスペクト比は保存されません。

result = A.Resize(width=100, height=100, p=1)(image=img)

主要パラメータ

`width`	幅を指定します
height	高さを指定します
`interpolation`	補完方法。デフォルトはCV2.INTER_NEAREST。 OpenCVの補完方法が選択できます。

`SmallestMaxSize`

アスペクト比を維持して、縦横の小さい方がmax_sizeを等しくなるようにスケーリングします

result = A.SmallestMaxSize(max_size=256)(image=img)

主要パラメータ

`max_size`	最大サイズ
`interpolation`	補完方法。デフォルトはCV2.INTER_NEAREST。 OpenCVの補完方法が選択できます。

その他

その他の変換で気になるやつです。

`HistogramMatching`

ヒストグラムが一致するように、ピクセル値を変換します。下記では、読み込んだ画像を渡して、read_fnは、画素値そのものを返すように設定しています。

ターゲットドメインが明確な場合のドメイン適応のための機能のようです。

ref = cv2.imread("dark.png")
result = A.HistogramMatching([ref], read_fn=lambda x: x, p=1)(image=img)

HistogramMatching([ref], read_fn=lambda x: x)

主要パラメータ

`reference_images`	参照画像（リスト形式）。デフォルトではファイル名を`[path]`とカッコで括って渡す
`read_fn`	`refrence_images`の読み込み関数
blend_ratio	ブレンド比率。0でOriginal、1に近いヒストグラムになる。

RandomFog

霧をシミュレートして描画します

result = A.RandomFog(fog_coef_lower=0.3, fog_coef_upper=1, alpha_coef=0.08, p=1)(image=img)

RandomFog(fog_coef_lower=0.3, fog_coef_upper=1, alpha_coef=0.08)

主要パラメータ

`fog_coef_lower`	霧強度係数の下限。0~1の範囲
`fog_coef_upper`	霧強度係数の上限。0~1の範囲
alpha_coef	霧の輪の透明度。0~1の範囲

`RandomRain`

雨のエフェクトを描画します

result = A.RandomRain(p=1)(image=img)

主要パラメータ

slant_lower	-20~20の範囲で指定
slant_upper	-20~20の範囲で指定
drop_length	0~100の範囲で指定
drop_width	1~5の範囲で指定
drop_color	(r, g, b)で指定
blur_value	ボケの長さ（int）
brightness_coefficient	0~1で指定
rain_type	[None, “drizzle”, “heavy”, “torrential”]の１つ

物体検出のデータに関して

Albumentationsの特徴の１つが、物体検知のBBOXやセグメンテーション情報も同時に加工してくれるところです。ここでは、物体検出でAlbumentationsを利用する場合について解説します。

BBOX（Bounding Box）のフォーマット

Albumentationsでは、pascal_voc, albumentationsオリジナル、coco, yoloのBBOXフォーマットをサポートしています。

以下、それぞれのフォーマットです。

参照元：https://albumentations.ai/docs/getting_started/bounding_boxes_augmentation/

フォーマットの指定方法

Composeのオプションで、どのフォーマットを選択するか設定できます。例えば、yoloフォーマットを利用する場合は、以下のようにbbox_paramsに指定します。

transform = A.Compose([
    A.RandomCrop(width=256, height=256, p=1),
    A.HorizontalFlip(p=0.5),
    A.RandomBrightnessContrast(p=0.2),
], bbox_params=A.BboxParams(format='yolo'))

このとき、min_area, min_visibilityを設定することができます。

#ex1)
transform = A.Compose([
    A.RandomCrop(width=256, height=256, p=1),
    A.HorizontalFlip(p=0.5),
    A.RandomBrightnessContrast(p=0.2),
], bbox_params=A.BboxParams(format='yolo', min_area=256))

#ex2)
transform = A.Compose([
    A.RandomCrop(width=256, height=256, p=1),
    A.HorizontalFlip(p=0.5),
    A.RandomBrightnessContrast(p=0.2),
],bbox_params=A.BboxParams(format='yolo', min_visibility=0.25))

それぞれ、以下の意味になります。

min_area　BBOXの面積が指定された面積より小さくなった場合に、そのBBOXを削除する

min_visibility　元の面積に対して、BBOXの面積が指定した比率より小さくなった場合に削除

ex1は面積が256ピクセル以下になった場合、ex2は面積が25%以下になった場合にBBOXが削除されます。

変換へのBBOXの渡し方

変換へのBBOXの渡し方は簡単です。

YOLOフォーマットの場合、BBOXは以下のような形式で格納します。

bboxes = [
  [0.1, 0.1, 0.2, 0.2],
  [0.3, 0.4, 0.1, 0.2],
    :
]

これを画像と一緒に渡します。

image = cv2.imread('/path/to/image')

transform = A.Compose([
    A.RandomCrop(width=256, height=256, p=1),
    A.HorizontalFlip(p=0.5),
    A.RandomBrightnessContrast(p=0.2),
], bbox_params=A.BboxParams(format='yolo'))

result = transform(imgas=image, bboxes=bboxes)

出力は、result[‘image’]に変換後の画像が、result[‘bboxes’]に変換後のBBOXの情報が格納されます。

クラス名を渡したい場合は、以下のようにすればクラス名を渡すことができます。この場合、戻り値のbboxesには、5つ目の引数が追加されています。なお、”car”などのラベル名ではなく、101などのIDを渡しても良いです。

def clamp(n, smallest, largest):
    return max(smallest, min(n, largest))
bboxes = [[0.01, 0.55 , 1.0,0.94, "car"]]

result = A.BBoxSafeRandomCrop(erosion_rate=0.3)(image=img, bboxes=bboxes)
img2 = result['image'].copy()
for bbox in result['bboxes']:
  x1, y1, x2, y2, label = bbox
  print(x1, y1, x2, y2, label)
  h, w, _ = img2.shape
  x1 = clamp(x1, 0, 1)
  y1 = clamp(y1, 0, 1)
  x2 = clamp(x2, 0, 1)
  y2 = clamp(y2, 0, 1)
  cv2.rectangle(img2, (int(x1*w), int(y1*h)), (int(x2*w), int(y2*h)), (0,0,255), 4)

cv2_imshow(img2)

実験した感じでは、bboxesの各要素の先頭から4つだけ（上のコードの場合[0.01, 0.55 , 1.0, 0.94, “car”]の赤文字の部分だけ）が変換対象で、残りの部分は変更されずに戻ってくる仕様になっているようです。

まとめ

以上、データ拡張用のライブラリAlbumentationsの簡単な使い方について説明しました。ここに記載している機能以外にもたくさんのデータ拡張が用意されていますので、公式サイトもチェックしてみてください。

#Albumentation #Data Augumentation #pytorch #データ拡張 #ディープラーニング

データ拡張（Data Augmentation）とは

Albumentationsとは

インストール

基本的な使い方

複数のデータ拡張を順番に呼び出す（Compose）

リストに列挙された１つを処理する（OneOf）

PerChannel

利用例

Transforms

ChannelShuffle

CLAHE

ColorJitter

Downscale

GaussNoise

ImageCompression

InvertImg

Sharpen

Normalize

ToTensorV2

Blur

AdvancedBlur

Blur

GaussianBlur

Crop

BBoxSafeRandomCrop

CenterCrop

Crop

RandomCrop

Dropout

CoarseDropout

Cutout

幾何変換

LongestMaxSize

RandomScale

Resize

SmallestMaxSize

その他

HistogramMatching

RandomFog

RandomRain

物体検出のデータに関して

BBOX（Bounding Box）のフォーマット

フォーマットの指定方法

変換へのBBOXの渡し方

まとめ

コメントをキャンセル

Segmentation Anything（SAM）によるゼロショットセグメンテーション｜使い方

timmを使ってMixup/CutMixを手軽に実装する方法

YOLOv8によるセグメンテーション：カスタムデータの学習から推論まで

LMStudioで外部ツールを呼び出す方法｜Tool Use対応モデルの使い方

複数のデータ拡張を順番に呼び出す（`Compose`）

リストに列挙された１つを処理する（`OneOf`）

`ChannelShuffle`

`ColorJitter`

`Downscale`

`GaussNoise`

`ImageCompression`

`InvertImg`

`Sharpen`

`Normalize`

`AdvancedBlur`

`Blur`

`GaussianBlur`

`BBoxSafeRandomCrop`

`CenterCrop`

`Crop`

`RandomCrop`

`CoarseDropout`

`LongestMaxSize`

`RandomScale`

`Resize`

`SmallestMaxSize`

`HistogramMatching`

`RandomRain`