Полное руководство по аугментации данных в 2025 году

На фоне бума ИИ всё чаще появляются новости о роботах на заводах и беспилотных автомобилях на городских улицах. ИИ меняет взаимодействие машин с окружающим миром: от совершенствования медицинской визуализации до помощи в контроле качества на производственных линиях.

Значительная часть этого прогресса связана с компьютерным зрением — областью ИИ, благодаря которой машины могут понимать и интерпретировать изображения. Подобно тому как люди со временем учатся распознавать объекты и шаблоны, модели Vision AI, например Ultralytics YOLO11, нужно обучать на больших объёмах изображений, чтобы развить способность понимать визуальную информацию.

Однако собрать такой большой объём визуальных данных не всегда просто. Хотя сообщество компьютерного зрения создало множество крупных наборов данных, в них всё ещё могут отсутствовать некоторые вариации — например, изображения объектов при слабом освещении, частично скрытых предметов или объектов, снятых под разными углами. Эти различия могут сбивать с толку модели компьютерного зрения, обученные только в определённых условиях.

Аугментация данных изображений решает эту проблему, добавляя новые вариации к существующим данным. Изменение цветов, поворот изображений и смещение перспективы делают набор данных разнообразнее и помогают моделям Vision AI лучше распознавать объекты в реальных условиях.

В этой статье мы рассмотрим, как работает аугментация данных изображений и как она влияет на применение компьютерного зрения.

Что такое аугментация данных изображений?#

Представь, что ты пытаешься узнать друга в толпе, но на нём солнцезащитные очки или он стоит в тени. Ты всё равно узнаешь его, несмотря на эти небольшие изменения во внешности. А вот модели Vision AI бывает трудно справиться с такими вариациями, если её не обучали распознавать объекты в разных условиях.

Аугментация данных изображений повышает эффективность моделей компьютерного зрения: в обучающие данные добавляют изменённые копии уже имеющихся изображений, вместо того чтобы собирать тысячи новых.

Отражение, поворот и изменение яркости изображений, а также добавление небольших искажений знакомят модели Vision AI с более широким диапазоном условий. Вместо того чтобы опираться на огромные наборы данных, модели могут эффективно учиться на небольших обучающих наборах с аугментированными изображениями.

Рис. 1. Примеры аугментированных изображений автомобиля.

Почему аугментация данных важна для компьютерного зрения#

Вот несколько ключевых причин, почему аугментация важна для компьютерного зрения:

• Снижает требования к объёму данных: сбор крупных наборов изображений требует времени и ресурсов. Аугментация помогает эффективно обучать модели без необходимости собирать огромные наборы данных.
• Предотвращает переобучение: Модель, обученная на слишком малом количестве примеров, может запоминать детали вместо того, чтобы распознавать общие закономерности. Разнообразие, добавленное с помощью аугментации, помогает моделям компьютерного зрения учиться так, чтобы применять полученные знания к новым данным, которых они ещё не видели.
• Имитирует несовершенные изображения: изображения в наборах данных часто слишком идеальны, тогда как в реальных фотографиях могут быть размытие, помехи или искажения. Добавление шума, перекрытий и других вариаций делает аугментированные изображения реалистичнее.
• Повышает устойчивость модели: обучение на разнообразных изображениях помогает ИИ справляться с изменениями в реальном мире и надёжно работать при разном окружении, освещении и в разных ситуациях.

Когда стоит использовать аугментацию данных изображений?#

Аугментация данных изображений особенно полезна, когда модели компьютерного зрения нужно распознавать объекты в разных ситуациях, но разнообразных изображений недостаточно.

Например, исследователи могут обучать модель Vision AI распознавать редкие подводные виды, которые редко попадают на фотографии. Набор данных при этом может быть небольшим или недостаточно разнообразным. Аугментируя изображения — меняя цвета, чтобы имитировать разную глубину, добавляя шум для моделирования мутной воды или слегка изменяя формы с учётом естественного движения, — можно научить модель точнее обнаруживать подводные объекты.

Вот ещё несколько ситуаций, в которых аугментация особенно полезна:

• Балансировка набора данных: некоторые объекты могут редко встречаться в обучающих данных, из-за чего модели Vision AI будут предвзяты. Аугментация помогает создать больше примеров редких объектов, чтобы модель одинаково хорошо распознавала все категории.
• Адаптация к разным камерам: внешний вид изображений зависит от устройства. Аугментация помогает моделям Vision AI хорошо работать с фотографиями разного разрешения, освещения и качества.
• Исправление небольших ошибок разметки: небольшие смещения, кадрирование и повороты помогают моделям компьютерного зрения правильно распознавать объекты, даже если исходные метки выровнены не идеально.

Как работает аугментация данных изображений#

На ранних этапах развития компьютерного зрения аугментация данных изображений в основном сводилась к простым методам обработки изображений, таким как отражение, поворот и кадрирование, чтобы повысить разнообразие набора данных. По мере развития ИИ появились более сложные методы: изменение цветов (преобразования цветового пространства), повышение резкости или размытие изображений (свёрточные фильтры) и объединение нескольких изображений (смешивание изображений), что помогает улучшить обучение.

Аугментацию можно выполнять до и во время обучения модели. Перед обучением в набор данных можно добавить изменённые изображения, чтобы увеличить разнообразие. Во время обучения изображения можно случайным образом изменять на лету, помогая моделям компьютерного зрения адаптироваться к различным условиям. Например, модели Ultralytics YOLO применяют случайные аугментации прямо во время обучения, и каждую из них можно настраивать с помощью аргументов обучения.

Эти изменения выполняются с помощью математических преобразований. Например, поворот наклоняет изображение, кадрирование удаляет его части, имитируя разные ракурсы, а изменение яркости воспроизводит различные условия освещения. Размытие смягчает изображение, повышение резкости делает детали чётче, а смешивание изображений объединяет части разных изображений. Автоматизировать эти процессы и быстро и эффективно выполнять аугментацию помогают фреймворки компьютерного зрения на основе ИИ и такие инструменты, как OpenCV, TensorFlow и PyTorch, а также библиотеки аугментации, например Albumentations.

Основные методы аугментации данных изображений#

Теперь, когда мы разобрали, что такое аугментация данных изображений, рассмотрим подробнее основные методы, которые используют для расширения обучающих данных.

Изменение ориентации и положения#

Моделям компьютерного зрения, таким как YOLO11, часто нужно распознавать объекты под разными углами и с разных ракурсов. Для этого изображения можно отражать по горизонтали или вертикали, чтобы модель ИИ училась распознавать объекты с разных ракурсов.

Аналогично, небольшой поворот меняет угол изображения, позволяя модели распознавать объекты с разных ракурсов. Смещение изображений в разных направлениях (перенос) помогает моделям адаптироваться к небольшим изменениям положения объектов. Эти преобразования помогают моделям лучше обобщать данные и работать в реальных условиях, где расположение объектов на изображении непредсказуемо.

Рис. 2. Различные методы аугментации, связанные с ориентацией и положением.

Изменение размера и кадрирование#

В реальных решениях для компьютерного зрения объекты на изображениях могут находиться на разном расстоянии и иметь разный размер. Модели компьютерного зрения на основе ИИ должны надёжно обнаруживать их независимо от этих различий.

Чтобы повысить адаптивность, можно использовать следующие методы аугментации:

• Масштабирование: изменение размера изображения с сохранением пропорций позволяет моделям ИИ обнаруживать объекты на разных расстояниях.
• Кадрирование: удаление ненужных частей изображения помогает модели сосредоточиться на важных областях и уменьшает влияние отвлекающих деталей фона.
• Сдвиг: небольшое наклонение изображения имитирует его перспективное смещение или растяжение и помогает ИИ распознавать объекты под разными углами.

Такие изменения помогают моделям компьютерного зрения распознавать объекты, даже если их размер или форма немного изменились.

Коррекция перспективы и искажений#

Объекты на изображениях выглядят по-разному в зависимости от угла съёмки, из-за чего моделям компьютерного зрения сложнее их распознавать. Чтобы помочь моделям справляться с такими различиями, методы аугментации позволяют изменять представление объектов на изображениях.

Например, перспективные преобразования меняют угол обзора, создавая впечатление, будто на объект смотрят с другой позиции. Благодаря этому модели Vision AI распознают объекты, даже если те наклонены или сняты с необычной точки обзора.

Другой пример — эластичное преобразование, которое растягивает, изгибает или деформирует изображения, имитируя естественные искажения, чтобы объекты выглядели так, как при отражении или под давлением.

Изменение цвета и освещения#

Условия освещения и различия в цветах могут существенно повлиять на то, как модели Vision AI интерпретируют изображения. Поскольку объекты выглядят по-разному при разном освещении, справиться с такими условиями помогут следующие методы аугментации:

• Коррекция яркости и контрастности: имитация разных условий освещения помогает моделям Vision AI распознавать объекты и в яркой, и в тёмной обстановке.
• Случайное изменение цветов: случайное изменение оттенка, насыщенности и цветового баланса помогает моделям компьютерного зрения адаптироваться к разным камерам и условиям освещения.
• Преобразование в оттенки серого: перевод изображений в чёрно-белый формат побуждает модели Vision AI уделять внимание форме и текстуре, а не цвету.

Рис. 3. Примеры аугментации с изменением цветов.

Продвинутые методы аугментации изображений#

До сих пор мы рассматривали только методы аугментации, изменяющие одно изображение. Однако некоторые продвинутые методы предполагают объединение нескольких изображений, чтобы улучшить обучение ИИ.

Например, MixUp объединяет два изображения, помогая моделям компьютерного зрения понимать взаимосвязи между объектами и лучше обобщать знания для разных сценариев. CutMix развивает эту идею: заменяет участок одного изображения фрагментом другого, чтобы модель могла учиться на нескольких контекстах внутри одного изображения. CutOut работает иначе: случайным образом удаляет части изображения, обучая модели Vision AI распознавать объекты, даже когда те частично скрыты или перекрыты.

Рис. 4. Продвинутые методы аугментации изображений.

Роль генеративного ИИ в аугментации изображений#

Генеративный ИИ набирает популярность во многих отраслях и сферах повседневной жизни. Скорее всего, ты уже сталкивался с ним в контексте изображений, созданных ИИ, дипфейк-видео или приложений для создания реалистичных аватаров. Но генеративный ИИ полезен не только для творчества и развлечений: он может помогать обучать модели компьютерного зрения, создавая новые изображения на основе существующих.

Вместо того чтобы просто отражать или поворачивать изображения, он может создавать реалистичные варианты — менять выражения лиц и стили одежды или даже имитировать разные погодные условия. Такие варианты помогают моделям компьютерного зрения лучше адаптироваться и точнее работать в самых разных реальных сценариях. Продвинутые модели генеративного ИИ, например GAN (генеративно-состязательные сети) и диффузионные модели, также могут восстанавливать недостающие детали или создавать качественные синтетические изображения.

Ограничения аугментации изображений#

Аугментация данных улучшает обучающие наборы, но у неё есть и ограничения, которые стоит учитывать. Вот несколько основных проблем, связанных с аугментацией изображений:

• Ограниченное разнообразие данных: аугментированные изображения создаются на основе уже имеющихся данных и не могут добавить совершенно новые закономерности или редкие ракурсы.
• Возможное искажение данных: Чрезмерные преобразования могут сделать изображения нереалистичными и потенциально снизить точность модели в реальных условиях.
• Рост вычислительных затрат: аугментация в реальном времени во время обучения модели может требовать значительных вычислительных ресурсов, замедляя обучение и увеличивая расход памяти.
• Дисбаланс классов сохраняется: аугментация не создаёт совершенно новые примеры, поэтому недостаточно представленные категории по-прежнему могут приводить к смещению модели при обучении.

Практическое применение аугментации изображений#

Интересный пример применения аугментации изображений — беспилотные автомобили, где от моделей компьютерного зрения, таких как Ultralytics YOLO11, требуются критически важные решения за доли секунды. Модель должна точно обнаруживать дороги, людей и другие объекты.

Однако условия, с которыми сталкивается беспилотный автомобиль в реальном мире, непредсказуемы. Плохая погода, смазанные из-за движения изображения и скрытые знаки усложняют применение решений Vision AI в этой сфере. Для обучения моделей компьютерного зрения часто недостаточно одних только реальных изображений. Наборы изображений для моделей беспилотных автомобилей должны быть разнообразными, чтобы модели учились справляться с неожиданными ситуациями.

Аугментация изображений решает эту задачу, имитируя туман, меняя яркость и деформируя формы. Благодаря таким изменениям модели учатся распознавать объекты в разных условиях. В результате модели становятся умнее и надёжнее.

Аугментация обучающих данных помогает решениям Vision AI для беспилотных автомобилей лучше адаптироваться и принимать более безопасные решения. Более точные результаты означают меньше аварий и более эффективную навигацию.

Рис. 5. Пример аугментации изображений для беспилотных автомобилей.

Беспилотные автомобили — лишь один пример. Аугментация изображений важна для самых разных сфер: от медицинской визуализации до аналитики в розничной торговле. Она может быть полезна в любом приложении, использующем компьютерное зрение.

Главные выводы#

Системы Vision AI должны распознавать объекты в разных условиях, но собрать бесконечное количество реальных изображений для обучения сложно. Аугментация изображений решает эту проблему, создавая варианты уже имеющихся изображений и помогая моделям быстрее учиться и лучше работать в реальных ситуациях. Она повышает точность и позволяет моделям Vision AI, таким как Ultralytics YOLO11, справляться с разным освещением, ракурсами и условиями окружающей среды.

Для компаний и разработчиков аугментация изображений экономит время и силы, повышая надёжность моделей компьютерного зрения. Её используют во многих отраслях — от здравоохранения до беспилотных автомобилей. По мере развития компьютерного зрения на основе ИИ аугментация останется важной частью создания более умных и адаптивных моделей будущего.

Присоединяйся к нашему сообществу и загляни в наш репозиторий на GitHub, чтобы увидеть ИИ в действии. Изучи варианты лицензирования и узнай больше о ИИ в сельском хозяйстве и компьютерном зрении в производстве на страницах наших решений.