desafio3_batches.py

# Crie um algoritmo para geração de 200 imagens diferentes.
# Todas com 256x256. Escolha uma imagem de sua preferência.
# As transformações também são de sua escolha.

# Etapa 1: implementar um algoritmo para o problema acima e
# contabilizar o tempo de execução.

# Além das vantagens apresentadas em aula, a biblioteca
# imgaug permite tirar proveito dos múltiplos núcleos dos
# processadores (CPU).

# Etapa 2: alterar seu algoritmo criado na etapa 1 para tirar
# proveito de seus núcleos, executando novamenteo as
# trsnformações e calculando o tempo das mesmas.

# Dica: caso estejas utilizando uma VM, possivelmente será
# necessário aumentar o número de núcleos da mesma.

# Instruções para rodar:

# python3 -m venv venv
# source venv/bin/activate
# pip install six numpy scipy Pillow matplotlib scikit-image opencv-python imageio Shapely
# pip install imgaug

import imageio
import imgaug as ia
from imgaug import augmenters as iaa
import numpy as np
from imgaug.augmentables.batches import UnnormalizedBatch
import time

time_start = time.time()

np.random.bit_generator = np.random._bit_generator # fix para funcionar na última versão do numpy

# Number of batches and batch size for this example
nb_batches = 4
batch_size = 50

image = imageio.imread(
    "https://upload.wikimedia.org/wikipedia/commons/thumb/8/86/Pedro_Tonon_Geromel.jpg/230px-Pedro_Tonon_Geromel.jpg")

seq = iaa.Sequential([
    iaa.Affine(rotate=(-25, 25)),
    iaa.AdditiveGaussianNoise(scale=(10, 60)),
    iaa.Crop(percent=(0, 0.2)),
    iaa.Invert(0.05, per_channel=True),
    iaa.Fliplr(0.5)
    ])

batches = []
for _ in range(nb_batches):
    batches.append(UnnormalizedBatch(images=[image] * batch_size))

time_end = time.time()
print("Augmentation done in %.2fs" % (time_end - time_start,))

# Show the augmented images.
# Note that augment_batches() returns a generator.
for images_aug in seq.augment_batches(batches, background=True):
    ia.imshow(ia.draw_grid(images_aug.images_aug, cols=10))