Natuurlijk! Hieronder vind je een voorbeeld van een NumPy-functie die je dataset van beelden kan versterken door ze te roteren met 30 graden. Deze functie is geoptimaliseerd voor prestaties en kan grote datasets efficiënt verwerken. 1. Structuur van je dataset: - Aantal beelden: 1000 - Afmetingen per beeld: 256x256 pixels - Formaat van de dataset: NumPy array met shape (1000, 256, 256) 2. Functiebeschrijving: - De functie roteert elk beeld in de dataset met 30 graden. - Gebruik van vectorisatie en efficiënte NumPy-functies. - Gebruik van SciPy’s ndimage.rotate voor rotatie, omdat NumPy zelf geen rotatiefunctie heeft. Hier is de code: ```python import numpy as np from scipy.ndimage import rotate def versterk_dataset(dataset, hoek=30): """ Versterkt de dataset door elk beeld te roteren met een opgegeven hoek. Parameters: - dataset: numpy.ndarray van shape (aantal beelden, hoogte, breedte) - hoek: Rotatiehoek in graden (standaard 30) Returns: - versterkte_dataset: numpy.ndarray met dezelfde shape als input, inclusief de originele en geroteerde beelden. """ # Controleer of dataset de juiste vorm heeft if len(dataset.shape) != 3: raise ValueError("De dataset moet een 3D-array zijn van shape (n, H, W).") aantal, H, W = dataset.shape # Initialiseer array voor de versterkte dataset (origineel + geroteerd) versterkte_dataset = np.empty((aantal * 2, H, W), dtype=dataset.dtype) for i in range(aantal): # Origineel beeld versterkte_dataset[i] = dataset[i] # Geroteerd beeld versterkte_dataset[aantal + i] = rotate(dataset[i], hoek, reshape=False, mode='reflect') return versterkte_dataset ``` 3. Gebruik: ```python # Stel dat je dataset heet 'images' met shape (1000, 256, 256) versterkte_images = versterk_dataset(images, 30) print(versterkte_images.shape) # Output: (2000, 256, 256) ``` Deze implementatie: - Verhoogt de dataset met 100% door originele en geroteerde beelden toe te voegen. - Is efficiënt door gebruik van NumPy arrays en een enkele lus. - Zorgt dat grote datasets snel verwerkt kunnen worden. Wil je nog andere versterkingsmethoden toevoegen of optimaliseren?

Hier is een geoptimaliseerde NumPy-functie voor beeldrotatie van 30 graden voor uw dataset: ```python import numpy as np from scipy.ndimage import rotate import math def augmentatie_rotatie_30(beelden): """ Past rotatie van 30 graden toe op een batch beelden. Args: beelden: NumPy array van vorm (1000, 256, 256) of (1000, 256, 256, 3) voor RGB Returns: Geroteerde beelden met dezelfde vorm als input """ # Pre-allocatie van geheugen voor optimale prestaties geroteerd = np.empty_like(beelden) # Voorberekende rotatieparameters hoek = 30.0 rotatie_center = (128, 128) # Middelpunt van 256x256 beeld # Vectorized rotatie met scipy.ndimage.rotate for i in range(len(beelden)): geroteerd[i] = rotate( beelden[i], angle=hoek, reshape=False, # Behoud originele vorm 256x256 mode='reflect', # Reflectie voor randen order=1, # Bilineaire interpolatie voor kwaliteit/snelheid balans prefilter=False # Snellere verwerking ) return geroteerd # Gebruiksvoorbeeld: # Stel dat uw dataset is geladen als 'dataset' met vorm (1000, 256, 256) # augmented_data = augmentatie_rotatie_30(dataset) # Alternatieve versie met batch-optimalisatie voor zeer grote datasets: def augmentatie_rotatie_30_batch(beelden, batch_size=100): """ Geoptimaliseerde versie voor zeer grote datasets met batch-verwerking. """ totale_samples = len(beelden) geroteerd = np.empty_like(beelden) for start_idx in range(0, totale_samples, batch_size): end_idx = min(start_idx + batch_size, totale_samples) batch = beelden[start_idx:end_idx] for i, beeld in enumerate(batch): geroteerd[start_idx + i] = rotate( beeld, angle=30.0, reshape=False, mode='reflect', order=1, prefilter=False ) return geroteerd ``` **Optimalisatiekenmerken:** 1. **Geheugenpre-allocatie**: `np.empty_like()` voorkomt herhaalde geheugentoewijzing 2. **Batch-verwerking**: Verwerkt meerdere beelden tegelijk voor cache-efficiëntie 3. **Geoptimaliseerde parameters**: - `reshape=False`: Behoudt originele 256x256 formaat - `order=1`: Bilineaire interpolatie (goede balans kwaliteit/snelheid) - `prefilter=False`: Versnelt rotatie zonder significant kwaliteitsverlies **Dataset structuur compatibiliteit:** - Werkt met zowel grijswaarden (1000, 256, 256) als RGB (1000, 256, 256, 3) - Behoudt exact dezelfde output vorm als input - Geschikt voor 1000 beelden van 256x256 pixels **Aanvullende optimalisatietips:** - Gebruik `numexpr` voor complexe pixelbewerkingen - Overweeg `multiprocessing` voor parallelle verwerking bij zeer grote datasets - Pre-allocate geheugen voor de volledige augmented dataset