Usando aumentações do Albumentations para diversificar seus dados

Quando constróis uma solução de computer vision, recolher um conjunto diversificado de imagens para treinar modelos de IA de visão pode ser uma parte crucial do processo. Muitas vezes, requer muito tempo e dinheiro e, por vezes, as imagens recolhidas continuam a não ser suficientemente variadas para os modelos aprenderem de forma eficaz.

Por exemplo, modelos de computer vision como o Ultralytics YOLO11 podem ser treinados de forma personalizada em conjuntos de dados de imagens para várias computer vision tasks relacionadas com diferentes aplicações. Dados diversos são fundamentais porque ajudam o modelo a generalizar melhor, permitindo-lhe reconhecer objetos e padrões numa vasta gama de cenários do mundo real.

Se você está com dificuldades devido à falta de dados diversificados, as técnicas de aumento de dados de imagem podem ser uma ótima solução. Métodos como rotação, inversão e ajuste de brilho podem ajudar a aumentar a variedade do seu conjunto de dados, melhorando a capacidade do modelo de lidar com uma gama mais ampla de condições.

É por isso que o Ultralytics suporta uma integração para aumento de dados de imagem. Utilizando o Albumentations, uma ferramenta popular que oferece um conjunto de transformações, podes criar dados visuais diversos. Esta integração simplifica o processo de treino do YOLO11 ao aumentar automaticamente as imagens de treino, conduzindo a um melhor desempenho do modelo.

Neste artigo, exploraremos como você pode usar a integração com o Albumentations, seus benefícios e seu impacto no treinamento do modelo.

O que é o Albumentations?#

Os computer vision models podem aprender a partir de um conjunto amplo de imagens de alta qualidade para reconhecer objetos em diferentes ambientes. Recolher grandes conjuntos de dados a partir de fontes do mundo real pode ser lento, dispendioso e ineficiente. Para simplificar esta tarefa, podes usar o image data augmentation para criar novas variações de imagens existentes, ajudando os modelos a aprender a partir de diferentes cenários sem recolher mais dados.

Especificamente, você pode aproveitar o Albumentations, uma biblioteca de código aberto introduzida para o aumento eficiente de dados de imagem em 2018. Ela oferece suporte a uma variedade de operações, desde mudanças geométricas simples como rotações e inversões até ajustes mais complexos, como brilho, contraste e adição de ruído.

Fig 1. Exemplos de diferentes tipos de aumentos de dados de imagem.

Principais recursos do Albumentations#

O Albumentations é conhecido pelo seu elevado desempenho, o que significa que consegue processar imagens de forma rápida e eficiente. Construído sobre bibliotecas otimizadas como o OpenCV e o NumPy, lida com grandes conjuntos de dados com um tempo de processamento mínimo, tornando-o ideal para o aumento rápido de dados durante o treino do modelo.

Aqui estão alguns outros recursos importantes do Albumentations:

• Ampla gama de transformações: O Albumentations oferece mais de 70 tipos de aumentos. Essas variações ajudam os modelos a aprender a detectar objetos, apesar de mudanças na iluminação, ângulos ou planos de fundo.
• Otimizado para velocidade: Ele usa técnicas avançadas de otimização como SIMD (Single Instruction, Multiple Data), que processa vários pontos de dados ao mesmo tempo para acelerar o aumento da imagem e lidar com grandes conjuntos de dados de forma eficiente.
• Três níveis de aumentos: Ele aprimora os dados de três maneiras. Por exemplo, os aumentos em nível de pixel ajustam o brilho e a cor sem alterar os objetos. Enquanto isso, os aumentos em nível espacial modificam o posicionamento do objeto preservando detalhes importantes, e os aumentos em nível de mistura combinam partes de diferentes imagens para criar novas amostras.

Por que você deve usar a integração com o Albumentations?#

Você pode estar se perguntando: existem muitas maneiras de aplicar aumentos a um conjunto de dados, e você poderia até criar os seus próprios usando ferramentas como o OpenCV. Então, por que escolher uma integração que oferece suporte a uma biblioteca como o Albumentations?

Criar aumentos manualmente com ferramentas como o OpenCV pode demorar muito tempo e requer alguma experiência. Também pode ser complicado ajustar finamente as transformações para obter os melhores resultados. A integração com o Albumentations torna este processo mais fácil. Oferece muitas transformações prontas a usar que te podem poupar tempo e esforço ao preparares o teu dataset.

Outra razão para escolher a integração do Albumentations é que funciona sem problemas com o pipeline de model training do Ultralytics. Torna muito mais fácil treinar o YOLO11 de forma personalizada, uma vez que os aumentos são aplicados automaticamente durante o treino. Simplifica o processo, para que te possas focar mais em melhorar o teu modelo em vez de lidadores com a preparação de dados.

Primeiros passos com a integração do Albumentations#

Curiosamente, usar as integrações do Albumentations para treinar o Ultralytics YOLO11 é mais simples do que pode parecer. Assim que as bibliotecas certas estão configuradas, a integração aplica automaticamente aumentações de dados de imagem durante o treinamento. Ela ajuda o modelo a aprender com diferentes variações de imagem usando o mesmo conjunto de dados.

A seguir, vamos ver como instalar e usar a integração do Albumentations ao treinar o Ultralytics YOLO11 de forma personalizada.

Instalando o pacote Python da Ultralytics e o Albumentations#

Antes de aplicar aumentos, tanto o Ultralytics Python package como o Albumentations precisam de ser instalados. A integração foi construída para que ambas as bibliotecas funcionem em conjunto de forma integrada por predefinição, pelo que não precisas de te preocupar com configurações complexas.

Todo o processo de instalação pode ser concluído em apenas alguns minutos com um único comando pip, que é uma ferramenta de gerenciamento de pacotes para instalar bibliotecas Python, como mostrado na imagem abaixo.

Fig 2. Instalando Ultralytics e Albumentations.

Assim que o Albumentations estiver instalado, o modo de treino de modelos do Ultralytics aplica automaticamente aumentos de imagem durante o treino. Se o Albumentations não estiver instalado, estes aumentos não serão aplicados. Para mais detalhes, podes consultar a official Ultralytics documentation.

Treinando o Ultralytics YOLO11 com a ajuda da integração do Albumentations#

Vamos entender melhor o que está acontecendo nos bastidores da integração com o Albumentations.

Aqui está uma olhada mais de cerca nas aumentações aplicadas durante o treinamento do Ultralytics YOLO11:

• Desfoque (Blur): Esta transformação adiciona um leve desfoque a uma imagem. Ajuda o modelo a detectar objetos mesmo quando eles estão fora de foco.
• Desfoque mediano (Median blur): Reduz o ruído aleatório enquanto preserva as bordas dos objetos em uma imagem. Isso facilita a detecção de objetos pelo modelo em ambientes complexos.
• Escala de cinza (Grayscale): Ao converter uma imagem para preto e branco, esse aumento pode ajudar o modelo a se concentrar em formas e texturas em vez de cores.
• CLAHE (Equalização de histograma adaptativa limitada por contraste): Este aumento aumenta o contraste nas imagens, particularmente em áreas que são muito escuras ou difíceis de ver, como em condições de pouca luz ou com neblina. Isso torna os objetos nessas áreas mais claros e fáceis para o modelo identificar.

Fig 3. Um exemplo de um aumento de escala de cinzentos aplicado à imagem de um gato.

Aplicações do Ultralytics YOLO11 e da integração do Albumentations#

Se estás a treinar o Ultralytics YOLO11 de forma personalizada para uma aplicação específica, a integração do Albumentations pode ajudar a melhorar o desempenho do modelo ao adaptar-se a várias condições. Vamos discutir algumas aplicações do mundo real e os desafios que esta integração consegue resolver.

Melhorando a imagem médica#

A Vision AI in healthcare está a ajudar os médicos a analisar imagens médicas com mais precisão para auxiliar nos diagnósticos e melhorar os cuidados aos pacientes. De facto, around a fifth of healthcare organizations já estão a utilizar soluções de IA.

No entanto, criar essas soluções de visão computacional traz seu próprio conjunto de desafios. Exames médicos podem variar muito entre hospitais, influenciados por fatores como equipamentos diferentes, configurações e até mesmo a experiência dos técnicos. Variações de brilho, contraste e exposição podem afetar a consistência e a precisão dos modelos de IA de visão, tornando difícil para eles um desempenho confiável em diferentes ambientes.

É aqui que a integração de ferramentas como o Albumentations se torna essencial. Ao gerar várias versões aumentadas do mesmo exame, o Albumentations permite que o modelo aprenda com uma variedade de qualidades de imagem. Isso ajuda o modelo a se tornar mais robusto, permitindo que ele detecte doenças com precisão em imagens de alta e baixa qualidade.

Fig 4. Imagens de raios X aumentadas.

Melhorando a segurança e a vigilância#

Outra aplicação interessante da vision AI é na segurança e vigilância. O Real-time object detection pode ajudar as equipas de segurança a identificar potenciais ameaças rapidamente.

Uma preocupação principal relacionada a essa aplicação é que as câmeras de segurança capturam filmagens sob várias condições de iluminação ao longo do dia, e essas condições podem afetar drasticamente a forma como um modelo entende tais imagens. Fatores como ambientes com pouca luz, reflexos ou baixa visibilidade podem dificultar a detecção de objetos ou o reconhecimento consistente de ameaças potenciais por modelos de visão computacional.

A integração com o Albumentations ajuda aplicando transformações para simular diferentes condições de iluminação. Isso permite que o modelo aprenda a detectar objetos em ambientes claros e com pouca luz, tornando-o mais confiável e melhorando os tempos de resposta em condições desafiadoras.

Redefinindo fluxos de trabalho no varejo e experiência do cliente#

Um derrame num corredor de um supermercado, um cão a correr por uma loja ou uma criança a derrubar um expositor de produtos são apenas alguns exemplos de eventos do quotidiano que podem ser casos limite para ambientes de vision AI in retail. A computer vision é cada vez mais utilizada para melhorar a experiência do cliente através do rastreio do comportamento dos compradores, da monitorização do tráfego de pessoas e da identificação de produtos nas prateleiras. No entanto, estas situações do mundo real podem ser difíceis de compreender e processar com precisão pelos sistemas de IA.

Embora nem todo cenário possa ser representado em um conjunto de dados de visão computacional, a integração com o Albumentations ajuda aumentando os dados para cobrir muitas situações possíveis, como iluminação inesperada, ângulos incomuns ou obstruções. Isso ajuda os modelos de visão computacional a se adaptarem a várias condições, melhorando sua capacidade de lidar com casos extremos e fazer previsões precisas em ambientes de varejo dinâmicos.

Principais pontos#

Coletar dados diversificados do mundo real para o treinamento do modelo pode ser complicado, mas o Albumentations torna isso mais fácil criando variações de imagem que ajudam os modelos a se adaptarem a diferentes condições.

A integração com o Albumentations suportada pela Ultralytics simplifica o processo de aplicação desses aumentos durante o treinamento personalizado do YOLO11. Isso resulta em uma melhor qualidade do conjunto de dados, o que beneficia uma ampla gama de setores ao produzir modelos de IA de visão mais precisos e confiáveis.

Junta-te à our community e explora o nosso GitHub repository para saberes mais sobre IA, e consulta as our licensing options para dar o pontapé de saída nos teus projetos de vision AI. Tens interesse em inovações como AI in manufacturing ou computer vision in self-driving? Visita as nossas páginas de soluções para descobrir mais.