| Data From | URL | Explanation |
|---|---|---|
| From Kaggle | https://www.kaggle.com/jessicali9530/celeba-dataset | 용량이 1GB가 넘어가므로, 이곳에 올리지 못해서 URL을 첨부한 점 양해 부탁드립니다. |
| Paper | https://www.cv-foundation.org/openaccess/content_cvpr_2016/papers/Shi_Real-Time_Single_Image_CVPR_2016_paper.pdf | Subpixel, DataGenerator는 학술 논문으로부터 구현한 알고리즘 입니다. |
- Python 3+
- Keras
- OpenCV
- numpy
- scikit-image
- matplotlib (For visualization)
일단, 위에 소개드린 주소를 통해 데이터셋을 다운받아주셔야 합니다.
상위에 소개된 데이터셋은, 유명인들의 얼굴 데이터가 방대한 범위로 세팅되어있다 보시면 됩니다.
첨부한 소스코드를 실행해주시고, 아시다시피 딥러닝이라는 것은 시간싸움입니다. 직접 저의 노트북으로 돌려보니 10시간하고 31분이 걸렸는데요.
이는 워낙 처리해야하는 사진의 양이 방대하다보니 그렇습니다, 머신러닝 학습을 위한 데이터 준비 과정은 어떻게보면 길고 매우 지루한 작업이지요.
이미지를 읽은 후, crop을 해서 pyramid_reduce 함수를 사용합니다.
그렇게 되면, 이미지를 흐릿하게 해주는데 그 후 copyMakeBorder 함수를 이용하여 이미지를 액자처럼 테두리를 씌워주게 됩니다.
그 다음, train과 test 그리고 val로 나누어 저장해주는 작업을 거칩니다.
이미지 작업에서도 정규화가 필요한 경우가 있습니다.
특정 영역에 몰려있는 경우, 화질을 개선해주기도 하고 이미지간의 연산 시 서로 조건이 다른 경우, 같은 조건으로 만들어주기도 합니다.
OpenCV는 cv2.normalize()함수를 통해 정규화를 제공하고 있습니다.
다시말해, 학습을 위해서 0과 1사이의 값으로 정규화를 해줍니다.
유명인 데이터셋을 전처리하면 거의 80GB의 저장소가 필요합니다.
실행을 해주고나면, 데이터가 뙇! 하고 만들어져 있을텐데 이때 이 프로젝트 실행을 위해 'SubPixel'과 'DataGenerator'를 실행해주시면 됩니다.
DataGenerator 함수는 list_IDs, labels, batch_size, dim, n_channels, n_classes, shuffle 을 파라메터로 받아서 학습용 이미지 데이터를 생성합니다.
Subpixel 레이어는 Conv2D의 하위 클래스입니다.
인수 r은 Conv2D의 일반 출력에 적용되는 업샘플링 계수를 나타냅니다.
이 레이어의 출력은 표시된 필터 필드와 동일한 수의 채널을 가지므로 grayscale, color 또는 숨겨진 레이어로 동작합니다.
일반 Conv2D 테스트 출력에 적용되는 업스케일링 팩터가 포함, 이미지 데이터 세트에서 초해상도를 수행합니다.
glob 모듈의 glob 함수는 사용자가 제시한 조건에 맞는 파일명을 리스트 형식으로 반환합니다.
Ian / aoa8538@gmail.com