Aumento de datos

El aumento de datos es una técnica estratégica en aprendizaje automático (AM) utilizada para artificialmente el tamaño y la diversidad de una conjunto de datos de entrenamiento sin necesidad de recopilar nuevos datos brutos. Aplicando diversas transformaciones a las muestras de datos existentes, los desarrolladores pueden crear versiones modificadas pero realistas de imágenes, texto o audio. modificadas pero realistas de imágenes, texto o audio. Este proceso es esencial para reducir sobreajusteun problema común cuando un modelo memoriza los ejemplos de entrenamiento en lugar de aprender patrones generalizables. En última instancia, un aumento eficaz conduce a una mayor precisión y garantiza que el modelo cuando se exponga a datos desconocidos en entornos reales.

Técnicas y métodos básicos

En el ámbito de la visión por ordenador (VC)el aumento consiste en manipular las imágenes de entrada para simular diferentes condiciones. Estas transformaciones ayudan al invariante a los cambios de orientación, iluminación y escala.

• Transformaciones geométricas: Modifican la disposición espacial de una imagen. Las operaciones más comunes son rotación aleatoria, volteo horizontal, recorte y escalado. Por ejemplo, con transformaciones geométricasOpenCV permite a un modelo reconocer un objeto independientemente de si está al revés o inclinado.
• Transformaciones fotométricas: Ajustan los valores de los píxeles para modificar el aspecto visual sin cambiar la geometría. sin cambiar la geometría. Ajustar el brillo, el contraste, la saturación y añadir ruido gaussiano ayuda al modelo a manejar condiciones de iluminación variables.
• Mezcla avanzada: Modern detección de objetos de objetos utilizan a menudo técnicas complejas como Mosaic, MixUp y CutMix. Estos métodos combinan varias imágenes en una muestra de entrenamiento, lo que anima al modelo a aprender relaciones contextuales. Puede explorar cómo implementarlos a través de la página integración deUltralytics Albumentations.

Aplicaciones en el mundo real

El aumento de datos es indispensable en sectores en los que los datos de alta calidad son escasos o caros de obtener.

1. Imagen médica: En análisis de imágenes médicaslas leyes de protección de la intimidad y la rareza de determinadas afecciones limitan el tamaño de los conjuntos de datos. Aumentando las radiografías o las resonancias magnéticas con con rotaciones y deformaciones elásticas, los investigadores pueden detección de tumoresy garantizar que la IA pueda identificar anomalías independientemente de la posición del paciente o de la calibración de la máquina.
2. Conducción autónoma: Los coches autónomos deben navegar por entornos impredecibles. Es imposible recopilar datos todas las condiciones meteorológicas posibles. Los ingenieros utilizan el aumento para simular lluvia, niebla o poca luz con poca luz en imágenes de días despejados. Esto prepara vehículos autónomos para reaccionar reaccionar con seguridad en condiciones meteorológicas adversas, lo que mejora significativamente los niveles de seguridad descritos por organizaciones como la NHTSA.

Aplicación del aumento en Ultralytics YOLO

En ultralytics simplifica la aplicación de aumentos directamente dentro de la biblioteca entrenamiento de modelos tubería. Puede ajustar hiperparámetros para controlar la intensidad y la probabilidad de las transformaciones.

from ultralytics import YOLO

# Load the YOLO11 model
model = YOLO("yolo11n.pt")

# Train the model with custom data augmentation parameters
# These arguments modify the training data on-the-fly
model.train(
    data="coco8.yaml",
    epochs=5,
    degrees=30.0,  # Apply random rotations between -30 and +30 degrees
    fliplr=0.5,  # 50% probability of flipping images horizontally
    mosaic=1.0,  # Use Mosaic augmentation (combining 4 images)
    mixup=0.1,  # Apply MixUp augmentation with 10% probability
)

Distinguir conceptos relacionados

Es importante diferenciar el aumento de datos de otras estrategias de datos similares:

• vs. Datos sintéticos: Mientras que el aumento modifica los datos existentes del mundo real, datos sintéticos se generan completamente desde cero mediante simulaciones informáticas o IA generativa. El aumento añade variedad a lo que se tiene; los datos sintéticos crean lo que no se tiene.
• vs. Preprocesamiento de datos: El preprocesamiento de datos consiste en la limpieza y el formateo de los datos (por ejemplo, cambio de tamaño, normalización) para adaptarlos a un modelo. El aumento se produce después del preprocesamiento y se centra en ampliar la diversidad del conjunto de datos más que en su formato.
• vs. Aprendizaje por transferencia: El aprendizaje por transferencia aprovecha conocimiento de un modelo preentrenado (por ejemplo, entrenado en ImageNet) para resolver una nueva tarea. Aunque a menudo se utilizan juntos, el aprendizaje por transferencia se refiere a los pesos del modelo, mientras que el aumento se refiere a los datos de entrada.

Para profundizar en las bibliotecas de aumento modernas, la página documentación de Albumentations proporciona una extensa lista de transformaciones disponibles compatibles con PyTorch y YOLO11.