Image Transformation နှင့် Augmentation အခြေခံ

နားလည်ထားရမယ့် အချက်

torchvision ရှိ transform တစ်ခုဆိုသည်မှာ image tensor တစ်ခုကို လက်ခံပြီး ပြင်ဆင်ထားသော tensor တစ်ခု ပြန်ပေးသည့် function (သို့) callable object သေးငယ်တစ်ခုမျှသာ ဖြစ်ပြီး၊ transforms.v2 API သည် ၎င်းတို့ကို ရေးသားရန် လက်ရှိ active ဖြစ်နေသော နည်းလမ်း ဖြစ်သည် — image tensor ရိုးရိုးတစ်ခု၊ batch တစ်ခု၊ (သို့) လိုအပ်ပါက bounding box, segmentation mask ကဲ့သို့ paired data များကို transform လုပ်နေသည်ဖြစ်စေ တညီတညွတ်တည်း အလုပ်လုပ်သည်။ transform အချို့သည် shape-preserving ဖြစ်သည် — RandomHorizontalFlip သည် pixel များကို ဘယ်မှညာ ပြန်စီပေးသော်လည်း tensor သည် ဝင်ရောက်လာချိန် H, W အတိုင်းပင် (C, H, W) ဖြင့် ပြန်ထွက်လာသည်၊ Normalize နှင့် color-jitter operation များကတော့ spatial dimension ကို လုံးဝ မထိခိုက်စေဘဲ pixel value ကိုသာ rescale လုပ်ပေးသည်။ transform အခြားများကတော့ shape-changing ဖြစ်သည် — Resize သည် H, W အသစ်ကို ရှင်းလင်းစွာ ထုတ်ပေးပြီး၊ RandomCrop/CenterCrop ကတော့ tensor ကို ဧရိယာသေးငယ်တစ်ခုအဖြစ် ဖြတ်တောက်ပေးသည်။ Compose သည် transform များစွာကို callable တစ်ခုတည်းအဖြစ် အစဉ်လိုက် chain လုပ်ပေးသည် — DataLoader တစ်ခုက sample တစ်ခုစီအတွက် run လုပ်သော pipeline အတိအကျပင် ဖြစ်ပြီး၊ ဘယ်အဆင့်က shape ပြောင်းပြီး ဘယ်အဆင့်က မပြောင်းဘူးဆိုတာ နားလည်ထားခြင်းသည် နောက်ပိုင်း batch-shape mismatch များကို debug လုပ်ရန် အရေးကြီးသည်။

Flip, crop, color-jitter ကဲ့သို့ augmentation transform များ ရှိနေရသည့်အကြောင်းရင်းမှာ ဓာတ်ပုံအသစ်တစ်ပုံမျှ မရိုက်ဘဲ training set ၏ diversity ကို artificial ဖန်တီးပေးနိုင်ခြင်းကြောင့် ဖြစ်သည် — training image တစ်ခုကို ဘယ်မှညာ ကျပန်း flip လုပ်ခြင်းသည် ၎င်းထဲမှာ ဘာ object ပါသလဲဆိုတာကို မပြောင်းလဲစေပါ — ထို့ကြောင့် ဗားရှင်းနှစ်ခုစလုံးဖြင့် train လုပ်ခြင်းသည် label အတွက် orientation က အရေးမကြီးကြောင်း network ကို သင်ကြားပေးသည် — ၎င်းသည် network ကိုယ်တိုင် fixed dataset တစ်ခုမှ ရှာဖွေတွေ့ရှိလိမ့်မည်ဟု မျှော်လင့်နေမည့်အစား တမင်ထည့်သွင်းပေးလိုက်သော invariance အမျိုးအစားတစ်ခုပင် ဖြစ်သည်။ အရေးကြီးသည်မှာ ဤ random transform များကို training အချိန်တွင်သာ stochastic ဖြင့် apply လုပ်ရသည် — evaluation (သို့) inference အချိန်တွင်တော့ deterministic ဖြစ်ပြီး ပြန်လည်ထုတ်လုပ်နိုင်သော transform (fixed resize, random flip မပါ) ကိုသာ လိုချင်သည် — input တစ်ခုတည်းသည် အမြဲတမ်း prediction တစ်ခုတည်းကို ထုတ်ပေးစေရန်နှင့် သင်၏ metric များသည် random augmentation ကြောင့်သာ run တစ်ခုနှင့်တစ်ခု မတိမ်းမယိမ်း ဖြစ်စေရန် ဖြစ်သည်။

လက်တွေ့ scenario နဲ့ ချိတ်ကြည့်မယ်

Tutorial Platform သည် instructor တစ်ဦး upload လုပ်လိုက်သော course image တစ်ခုတည်းမှ thumbnail size သုံးမျိုး — grid-card thumbnail, hero banner, mobile-view crop — ကို page-render အချိန်တွင် Resize-based pipeline တစ်ခုဖြင့် ထုတ်ပေးပြီး၊ 'course-image quality' classifier အတွင်းပိုင်း တစ်ခုကိုလည်း သီးခြား ထိန်းသိမ်းထားသည် — ၎င်း training set ထဲသို့ RandomHorizontalFlip နှင့် random crop သေးငယ်များ ထည့်သွင်းထားခြင်းဖြင့် model သည် ဘယ်ဘက်ကို မျက်နှာမူထားသော (သို့) အလယ်ဗဟိုတည့်တည့် banner များသာ thumbnail ကောင်းအဖြစ် အလွဲယူဆမိခြင်းကို ကာကွယ်ပေးထားသည်။

• transforms.v2 transform များသည် Compose ဖြင့် chain လုပ်နိုင်သော callable ရိုးရိုးများဖြစ်ပြီး image tensor တစ်ခုအပေါ် အစဉ်လိုက် apply လုပ်သည်။
• transform အချို့သည် tensor shape ကို ထိန်းသိမ်းသည် (flip, normalize, color jitter) — အချို့ကတော့ တမင် ပြောင်းလဲပေးသည် (resize, crop, pad)။
• Random augmentation များကို training အချိန်တွင်သာ run သင့်သည် — eval/inference အချိန်တွင် prediction များ ပြန်လည်ထုတ်လုပ်နိုင်စေရန် deterministic transform များကိုသာ လိုချင်သည်။

အတူတူ စမ်းရေးကြည့်မယ်

import torch
from torchvision.transforms import v2

torch.manual_seed(0)

# Synthetic batch: a single fake RGB image, 3 channels, 64x64.
image = torch.rand(3, 64, 64)

flip = v2.RandomHorizontalFlip(p=1.0)  # p=1.0 makes this deterministic for the demo
flipped = flip(image)
print("original shape:", image.shape)
print("flipped shape:", flipped.shape)
print("flip changed pixel order:", not torch.equal(image, flipped))

resize = v2.Resize((32, 32))
resized = resize(image)
print("resized shape:", resized.shape)

# Compose chains several transforms into one callable pipeline --
# this is exactly the kind of pipeline a DataLoader applies per sample.
pipeline = v2.Compose([
    v2.Resize((32, 32)),
    v2.RandomHorizontalFlip(p=0.5),
])
augmented = pipeline(image)
print("pipeline output shape:", augmented.shape)

ဤသို့ print ထုတ်သည်: original shape: torch.Size([3, 64, 64])၊ flipped shape: torch.Size([3, 64, 64]) (မပြောင်းလဲပါ — flip က pixel များကို ပြန်စီပေးရုံသာ ဖြစ်သည်)၊ flip changed pixel order: True (p=1.0 က flip ကို အတင်း ဖြစ်စေပြီး ကျပန်း continuous image တစ်ခုသည် ဘယ်-ညာ symmetric ဖြစ်နိုင်ခြေ လုံးဝနီးပါး မရှိသောကြောင့် အာမခံနိုင်သည်)၊ resized shape: torch.Size([3, 32, 32])၊ နှင့် pipeline output shape: torch.Size([3, 32, 32]) (pipeline ထဲက resize သည် အမြဲတမ်း apply ဖြစ်သောကြောင့် 50% probability ရှိသော flip ဖြစ်ခဲ့သည်ဖြစ်စေ မဖြစ်ခဲ့သည်ဖြစ်စေ output shape အတူတူပင် ဖြစ်နေမည်)။

PyTorch Vision Docs — Transforming images, videos, boxes and more — Computer Vision