?> Quels types de transformations (mutations) peuvent... - Aide
QUESTION / RÉPONSE

Quels types de transformations (mutations) peuvent être appliquées aux images ?

0 consultations

Réponse

L'action `augmentImages` prend en charge une variété de mutations, notamment : `horizontalFlip` (retournement horizontal), `verticalFlip` (retournement vertical), `colorJittering` (instabilité de couleur), `colorShifting` (décalage de couleur), `darken` (assombrissement), `lighten` (éclaircissement), `invertPixels` (inversion des pixels), `sharpen` (accentuation de la netteté), `pyramidUp` (suréchantillonnage), `pyramidDown` (sous-échantillonnage), `rotateLeft` (rotation à gauche) et `rotateRight` (rotation à droite).
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

L'action `addLayer` est une composante fondamentale de la construction de modèles de deep learning dans SAS Viya. Elle permet d'ajouter séquentiellement une nouvelle couche (layer) à une architecture de réseau neuronal existante. Chaque couche ajoute une transformation spécifique aux données qui la traversent, permettant au modèle d'apprendre des représentations de plus en plus complexes. Cette action est utilisée de manière itérative pour construire le modèle couche par couche, de la couche d'entrée (Input) à la couche de sortie (Output), en passant par diverses couches cachées (convolution, pooling, récurrentes, etc.).

annotateImages
image

The `annotateImages` action overlays various annotations onto images within a CAS table. This is useful for visualizing results from image analysis tasks like object detection, segmentation, or feature extraction. You can draw lines, points, or complex shapes defined by protobuf messages, and even overlay segmentation masks with specified color maps and transparency. The resulting annotated images are saved to an output CAS table.