data-augmentation-app 0.1.4

GUI & CLI for image data augmentation with TensorFlow/Keras

Data Augmentation App

Aplicación en Python que permite aplicar data augmentation a colecciones de imágenes mediante capas personalizadas de TensorFlow / Keras. Se puede usar tanto con interfaz gráfica (PyQt 5) como desde la línea de comandos (CLI). Los resultados pueden almacenarse en disco y/o en una base de datos SQLite; además se genera un fichero JSON con los parámetros aplicados a cada imagen. Permite forzar el uso de CPU en vez de GPU o TPU, en caso de no contar con los drivers necesarios instalados.

---

Índice

1. Características
2. Instalación
3. Requisitos
4. Uso rápido
   1. GUI
   2. CLI
5. Ejemplos
6. Arquitectura del proyecto
7. Contribuir
8. Licencia

---

Características

• Transformaciones de imagen basadas en capas personalizadas de Keras:

  • Volteo aleatorio horizontal/vertical
  • Rotación aleatoria
  • Zoom aleatorio
  • Desplazamiento de canales (channel shift)
  • Distorsión de color (hue, saturación, brillo, contraste)
  • Ruido gaussiano
  • Ruido Salt & Pepper

• Modo GUI (PyQt5) con barra de progreso y cancelación.

• Modo CLI con argparse, ideal para automatización y pipelines.

• Salida flexible:

  • Carpeta en disco (PNG)
  • Base de datos SQLite (blob + etiqueta)
  • Ficheros JSON con los parámetros aplicados a cada transformación.

• Opción de forzar ejecución en CPU.

Instalación

pip install data-augmentation-app

⚠️ Asegúrate de usar un virtual environment para evitar conflictos de dependencias.

Requisitos

• Python ≥ 3.8
• TensorFlow ≥ 2.8
• PyQt5 ≥ 5.15
• Pillow
• NumPy

Las dependencias principales se instalan automáticamente desde PyPI.

Nota en sistemas Unix TensorFlow puede mostrar algunos warnings (p. ej. sobre extensiones AVX, variables de entorno o aceleradores no detectados) al arrancar. Estos mensajes son solo informativos y no afectan al funcionamiento ni a los resultados de la aplicación.

Uso rápido

Interfaz gráfica (GUI)

data-augmentation

1. Selecciona la carpeta de imágenes de entrada.
2. Indica al menos uno de los destinos: carpeta de salida y/o archivo .db de SQLite.
3. En caso de considerarlo oportuno, activa el uso de CPU para las transformaciones.
4. Activa las transformaciones deseadas y ajusta sus parámetros.
5. Pulsa Iniciar y sigue la barra de progreso. Puedes detener el proceso en cualquier momento.

Línea de comandos (CLI)

data-augmentation --help

Los parámetros más importantes son:

Parámetro	Descripción
--in-dir	Carpeta de imágenes de entrada (obligatorio)
--out-dir	Carpeta para guardar las imágenes aumentadas
--db-path	Ruta a la base de datos SQLite donde almacenar los blobs
--json-dir	Carpeta donde guardar los ficheros JSON de parámetros
--num-aug	Nº de augmentos por imagen (por defecto 20)
--use-cpu	Fuerza la ejecución en CPU
--random-flip --flip-horizontal/--no-flip-horizontal --flip-vertical/--no-flip-vertical	Activa el volteo aleatorio y sus opciones
--random-rotation --rotation-delta 0.3	Rotación aleatoria ±0.3
--random-zoom --zoom-delta 0.25	Zoom aleatorio ±0.25
--random-channel-shift --channel-shift 0.2	Desplazamiento de canales
--color-distortion …	Distorsiones de color (hue, brillo, etc.)
--gaussian-noise …	Ruido gaussiano
--salt-pepper-noise …	Ruido sal y pimienta

Ejemplo mínimo

data-augmentation \
    --in-dir ./imgs \
    --out-dir ./augmented \
    --num-aug 30 \
    --random-flip --random-rotation --rotation-delta 0.25

---

Ejemplos

Al finalizar se generarán archivos *.png y, si lo indicas, sus correspondientes *.json con esta estructura:

augmented/
├── imagen_0.png
├── imagen_0.json
├── imagen_1.png
├── imagen_1.json
└── …

La base de datos SQLite contendrá una tabla imagenes_aumentadas con los blobs de imagen y su etiqueta.

---

Arquitectura del proyecto

data_augmentation_app/
├── __init__.py            # Metadata del paquete y exportación de API pública
├── data_augmentation_main.py  # Lanza la GUI / dispatcher principal
├── cli.py                 # Parsing de argumentos y creación de la config CLI
├── augmentation_core.py   # Núcleo de procesamiento: aplica el pipeline y gestiona la E/S
└── layers_personalizadas.py # Capas Keras para cada transformación

Cada transformación es una subclase de tf.keras.layers.Layer, de modo que el pipeline se construye como un tf.keras.Sequential, aprovechando la API funcional de TensorFlow y la ejecución en GPU/CPU.

---

Contribuir

1. Haz un fork del repositorio y crea tu rama: git checkout -b feature/nueva-funcion.
2. Envía un pull request describiendo tus cambios.

¡Se agradecen nuevas transformaciones y mejoras en la interfaz!

---

Licencia

Este proyecto se distribuye bajo la licencia MIT.

Autoría

Desarrollado con ❤️ por Javier García.