?> Can I apply a random rotation to an image?... - Aide
QUESTION / RÉPONSE

Can I apply a random rotation to an image?

1 consultations

Réponse

Yes, you can apply a random rotation by specifying `rotateLeft` or `rotateRight` with a `type` of 'RANGE'. For example, `mutations={rotateRight={type='RANGE', value={0, 90}}}` would apply a random right rotation between 0 and 90 degrees.
Action technique liée

Voir la documentation de augmentImages

Voir l'Action

Voir aussi

augmentImages
image

Die Aktion `augmentImages` ist ein leistungsstarkes Werkzeug im Computer Vision Toolkit von SAS Viya. Ihr Hauptzweck ist die künstliche Erweiterung eines Bilddatensatzes durch das Erstellen von modifizierten Kopien vorhandener Bilder. Dieser Prozess, bekannt als Datenaugmentation, ist entscheidend für das Training robuster Deep-Learning-Modelle, da er hilft, die Vielfalt der Trainingsdaten zu erhöhen und Überanpassung (Overfitting) zu reduzieren. Die Aktion funktioniert, indem sie entweder ganze Bilder oder aus ihnen extrahierte Patches (Ausschnitte) nimmt und eine Reihe von Transformationen oder 'Mutationen' darauf anwendet. Zu diesen Mutationen gehören geometrische Änderungen wie Spiegelungen und Drehungen sowie photometrische Änderungen wie Anpassungen von Helligkeit, Kontrast und Farbe. Das Ergebnis ist eine neue Tabelle, die sowohl die ursprünglichen als auch die neu generierten, augmentierten Bilder enthält, bereit zur Verwendung im Modelltraining.

addLayer
deepLearn

The addLayer action adds a layer to a deep learning model. It is part of the Deep Learning action set, which provides a comprehensive suite of tools for modeling and scoring with deep neural networks (DNN), convolutional neural networks (CNN), and recurrent neural networks (RNN). This action is fundamental in constructing the architecture of a neural network, allowing for the sequential addition and configuration of various layer types.

addLayer
deepLearn

Fügt eine Schicht zu einem Deep-Learning-Modell hinzu. Diese Aktion ist fundamental für den schrittweisen Aufbau von neuronalen Netzwerkarchitekturen, indem sie es ermöglicht, verschiedene Arten von Schichten (z. B. Konvolution, Pooling, vollständig verbunden) zu einem bestehenden Modell hinzuzufügen und deren Verbindungen zu definieren.