به بخش پرسش و پاسخ یادگیری عمیق خوش آمدید,
این نسخه آزمایشی سایت است.
لطفا به نکات زیر توجه کنید:
  • برای ارتباط با مدیران میتوانید از صفحه مدیران اقدام کنید.
  • سوال و جواب ها باید به زبان فارسی باشند. استفاده از زبان انگلیسی یا فینگلیش برای پاسخ دادن مجاز نیست.
  • لطفا بعد از پرسش سوال لینک سوال خود را در گرو تلگرام (Iran Deep Learning Group) معرفی کنید تا سریعتر به جواب برسید. برای دسترسی به آخرین لینک از منابع یادگیری استفاده کنید
  • لطفا بجای عکس از متن استفاده کنید. اگر متون طولانی هستند از سایت pastebin.com برای اپلود استفاده کرده و لینک حاصل را در سوال خود قرار دهید. برای قرار دادن تصویر ، از بخش ارسال تصویر ادیتور سایت استفاده کنید.
  • بعد از دریافت پاسخ، بهترین پاسخ را از طریق کلیک بر روی علامت تیک انتخاب کنید
  • اگر با خطا و یا مشکلی مواجه شدید از بخش تماس با ما در انتهای صفحه و یا ایمیل Coderx7@gmail.com موضوع را اطلاع دهید.

با تشکر

0 امتیاز
سلام فرضا من دیتاستی دارم با دو فولدر سگ و گربه و تعداد دادهام خیلی متفاوته مثلا تعداد تصاویر گربه 100 تصویر هست و تعداد تصاویر سگ 10000 تصویر، برای اینکه تعداد تصاویر گربه بالانس بشه با تصاویر سگ باید چه کاری انجام بدم ؟ لطفا با نمونه کد من و راهنمایی کنید ممنون میشم
سوال شده توسط (146 امتیاز)

1 پاسخ

+1 امتیاز
 
بهترین پاسخ
سلام. شما باید  از روش image augmentation استفاده کنید و  اینکار با کراس خیلی راحته...
با استفاده از ImageDataGenerator در کراس میتونید تعداد تصاویر ۱۰۰ تا از گربه رو تا 10000 تا بسازید و ذخیره کنید بسته به هر تبدیلی که میخواهید روی این صد تا انجام بشه!!
datagen = ImageDataGenerator(
    featurewise_center=True,
    featurewise_std_normalization=True,
    rotation_range=20,
    width_shift_range=0.2,
    height_shift_range=0.2,
    horizontal_flip=True)
این لینک رو ببینید: https://keras.io/preprocessing/image/
توضیحات آقای اخوان هم در این رابطه مفیده. ویدیوهای ایشون هم در آپارات هست..
https://github.com/Alireza-Akhavan/class.vision/blob/master/24-CNN-cat_Vs_dog.ipynb
کدی که من برای تصاویرم نوشتم و همه فولدرهای دیتاستم رو به تعداد مساوی کردم به صورت زیر است. انشاالله که بهتون کمک کنه..
https://pastebin.com/Vsy8UNct
پاسخ داده شده توسط (155 امتیاز)
انتخاب شده توسط
...