训练一个数据不够多的数据集是什么体验？

摘要：这里介绍其中一种带标签扩充数据集的方法。



前言



前一段时间接触了几位用户提的问题，发现很多人在使用训练的时候，给的数据集寥寥无几，有一些甚至一类只有5张图片。modelarts平台虽然给出了每类5张图片就能训练的限制，但是这种限制对一个工业级的应用场景往往是远远不够的。所以联系了用户希望多增加一些图片，增加几千张图片训练。但是用户后面反馈，标注的工作量实在是太大了。我思忖了一下，分析了一下他应用的场景，做了一些策略变化。这里介绍其中一种带标签扩充数据集的方法。



数据集情况



数据集由于属于用户数据，不能随便展示，这里用一个可以展示的开源数据集来替代。首先，这是一个分类的问题，需要检测出工业零件表面的瑕疵，判断是否为残次品，如下是样例图片：





这是两块太阳能电板的表面，左侧是正常的，右侧是有残缺和残次现象的，我们需要用一个模型来区分这两类的图片，帮助定位哪些太阳能电板存在问题。左侧的正常样本754张，右侧的残次样本358张，验证集同样，正常样本754张，残次样本357张。总样本在2000张左右，对于一般工业要求的95%以上准确率模型而言属于一个非常小的样本。先直接拿这个数据集用Pytorch加载imagenet的resnet50模型训练了一把，整体精度ACC在86.06%左右，召回率正常类为97.3%，但非正常类为62.9%，还不能达到用户预期。



当要求用户再多收集，至少扩充到万级的数据集的时候，用户提出，收集数据要经过处理，还要标注，很麻烦，问有没有其他的办法可以节省一些工作量。这可一下难倒了我，数据可是深度学习训练的灵魂，这可咋整啊。





仔细思考了一阵子，想到modelarts上有智能标注然后人工校验的功能，就让用户先试着体验一下这个功能。我这边拿他给我的数据集想想办法。查了些资料，小样本学习few-shot fewshot learning (FSFSL)的常见方法，基本都是从两个方向入手。一是数据本身，二是从模型训练本身，也就是对图像提取的特征做文章。这里想着从数据本身入手。



首先观察数据集，都是300*300的灰度图像，而且都已太阳能电板表面的正面俯视为整张图片。这属于预先处理的很好的图片。那么针对这种图片，翻转镜像对图片整体结构影响不大，所以我们首先可以做的就是flip操作，增加数据的多样性。flip效果如下：





这样数据集就从1100张扩增到了2200张，还是不是很多，但是直接观察数据集已经没什么太好的扩充办法了。这时想到用Modelarts模型评估的功能来评估一下模型对数据的泛化能力。这里调用了提供的SDK：deep_moxing.model_analysis下面的analyse接口。



def validate(val_loader, model, criterion, args):
    batch_time = AverageMeter('Time', ':6.3f')
    losses = AverageMeter('Loss', ':.4e')
    top1 = AverageMeter('Acc@1', ':6.2f')
    top5 = AverageMeter('Acc@5', ':6.2f')
    progress = ProgressMeter(
        len(val_loader),
        [batch_time, losses, top1, top5],
        prefix='Test: ')
    pred_list = []
    target_list = []
    # switch to evaluate mode
    model.eval()
    with torch.no_grad():
        end = time.time()
        for i, (images, target) in enumerate(val_loader):
            if args.gpu is not None:
                images = images.cuda(args.gpu, non_blocking=True)
            target = target.cuda(args.gpu, non_blocking=True)

            # compute output
            output = model(images)
            loss = criterion(output, target)
            # 获取logits输出结果pred和实际目标的结果target
            pred_list += output.cpu().numpy()[:, :2].tolist()
            target_list += target.cpu().numpy().tolist()
            # measure accuracy and record loss
            acc1, acc5 = accuracy(output, target, topk=(1, 5), i=i)
            losses.update(loss.item(), images.size(0))
            top1.update(acc1[0], images.size(0))
            top5.update(acc5[0], images.size(0))

            # measure elapsed time
            batch_time.update(time.time() - end)
            end = time.time()

            if i % args.print_freq == 0:
                progress.display(i)
        # TODO: this should also be done with the ProgressMeter
        print(' * Acc@1 {top1.avg:.3f} Acc@5 {top5.avg:.3f}'
              .format(top1=top1, top5=top5))
    # 获取图片的存储路径name
    name_list = val_loader.dataset.samples
    for idx in range(len(name_list)):
        name_list[idx] = name_list[idx][0]
    analyse(task_type='image_classification', save_path='/home/image_labeled/',
            pred_list=pred_list, label_list=target_list, name_list=name_list)
    return top1.avg



上段代码大部分都是Pytorch训练ImageNet中的验证部分代码，需要获取三个list，模型pred直接结果logits、图片实际类别target和图片存储路径name。然后按如上的调用方法调用analyse接口，会在save_path的目录下生成一个json文件，放到Modelarts训练输出目录里，就能在评估结果里看到对模型的分析结果。我这里是线下生成的json文件再上传到线上看可视化结果。关于敏感度分析结果如下：





这幅图的意思是，不同的特征值范围图片分别测试的精度是多少。比如亮度敏感度分析的第一项0%-20%，可以理解为，在图片亮度较低的场景下对与0类和其他亮度条件的图片相比，精度要低很多。整体来看，主要是为了检测1类，1类在图片的亮度和清晰度两项上显得都很敏感，也就是模型不能很好地处理图片的这两项特征变化的图片。那这不就是我要扩增数据集的方向吗？





好的，那么我就试着直接对全量的数据集做了扩增，得到一个正常类2210张，瑕疵类1174张图片的数据集，用同样的策略扔进pytorch中训练，得到的结果：





怎么回事，和设想的不太一样啊。。。





重新分析一下数据集，我突然想到，这种工业类的数据集往往都存在一个样本不均匀的问题，这里虽然接近2：1，但是检测的要求针对有瑕疵的类别的比较高，应该让模型倾向于有瑕疵类去学习，而且看到1类的也就是有瑕疵类的结果比较敏感，所以其实还是存在样本不均衡的情况。由此后面的这两种增强方法只针对了1类也就是有问题的破损类做，最终得到3000张左右，1508张正常类图片，1432张有瑕疵类图片，这样样本就相对平衡了。用同样的策略扔进resnet50中训练。最终得到的精度信息：





可以看到，同样在验证集，正常样本754张，残次样本357张的样本上，Acc1的精度整体提升了接近3%，重要指标残次类的recall提升了8.4%！嗯，很不错。所以直接扩充数据集的方法很有效，而且结合模型评估能让我参考哪些扩增的方法是有意义的。当然还有很重要的一点，要排除原始数据集存在的问题，比如这里存在的样本不均衡问题，具体情况具体分析，这个扩增的方法就会变得简单实用。



之后基于这个实验的结果和数据集。给帮助用户改了一些训练策略，换了个更厉害的网络，就达到了用户的要求，当然这都是定制化分析的结果，这里不详细展开说明了，或者会在以后的博客中更新。



引用数据集来自：



Buerhop-Lutz, C.; Deitsch, S.; Maier, A.; Gallwitz, F.; Berger, S.; Doll, B.; Hauch, J.; Camus, C. & Brabec, C. J. A Benchmark for Visual Identification of Defective Solar Cells in Electroluminescence Imagery. European PV Solar Energy Conference and Exhibition (EU PVSEC), 2018. DOI: 10.4229/35thEUPVSEC20182018-5CV.3.15



Deitsch, S.; Buerhop-Lutz, C.; Maier, A. K.; Gallwitz, F. & Riess, C. Segmentation of Photovoltaic Module Cells in Electroluminescence Images. CoRR, 2018, abs/1806.06530



Deitsch, S.; Christlein, V.; Berger, S.; Buerhop-Lutz, C.; Maier, A.; Gallwitz, F. & Riess, C. Automatic classification of defective photovoltaic module cells in electroluminescence images. Solar Energy, Elsevier BV, 2019, 185, 455-468. DOI: 10.1016/j.solener.2019.02.067



点击关注，第一时间了解华为云新鲜技术~