Использование аугментаций Albumentations для разнообразия данных

При создании решения для компьютерного зрения сбор разнообразного набора изображений для обучения моделей ИИ в области компьютерного зрения может быть важной частью процесса. Это часто требует много времени и средств, а иногда собранные изображения всё равно недостаточно разнообразны, чтобы модели могли эффективно обучаться.

Например, модели компьютерного зрения, такие как Ultralytics YOLO11, можно дообучать на наборах изображений для различных задач компьютерного зрения, связанных с разными приложениями. Разнообразные данные важны, потому что помогают модели лучше обобщать знания и распознавать объекты и закономерности в широком диапазоне реальных сценариев.

Если тебе не хватает разнообразных данных, отличным решением могут стать методы аугментации изображений. Такие операции, как поворот, отражение и настройка яркости, помогают увеличить разнообразие набора данных и улучшают способность модели работать с более широким диапазоном условий.

Именно поэтому Ultralytics поддерживает интеграцию для аугментации изображений. С помощью Albumentations — популярного инструмента с набором преобразований — ты можешь создавать разнообразные визуальные данные. Эта интеграция упрощает обучение YOLO11, автоматически применяя аугментации к обучающим изображениям и повышая производительность модели.

В этой статье мы рассмотрим, как использовать интеграцию Albumentations, её преимущества и влияние на обучение модели.

Что такое Albumentations?#

Модели компьютерного зрения могут обучаться на большом наборе качественных изображений, чтобы распознавать объекты в разных условиях. Сбор больших наборов данных из реальных источников может быть медленным, дорогим и неэффективным. Чтобы упростить эту задачу, ты можешь использовать аугментацию изображений для создания новых вариантов существующих изображений, помогая моделям обучаться на разных сценариях без сбора дополнительных данных.

В частности, ты можешь использовать Albumentations — библиотеку с открытым исходным кодом, представленную в 2018 году для эффективной аугментации изображений. Она поддерживает множество операций: от простых геометрических изменений, таких как повороты и отражения, до более сложных корректировок яркости, контрастности и добавления шума.

Рис. 1. Примеры различных типов аугментации изображений.

Ключевые возможности Albumentations#

Albumentations известна высокой производительностью: она быстро и эффективно обрабатывает изображения. Построенная на оптимизированных библиотеках, таких как OpenCV и NumPy, она работает с большими наборами данных за минимальное время, что делает её идеальной для быстрой аугментации данных во время обучения модели.

Вот ещё несколько ключевых возможностей Albumentations:

• Широкий выбор преобразований: Albumentations предоставляет более 70 типов аугментаций. Эти варианты помогают моделям учиться обнаруживать объекты несмотря на изменения освещения, ракурсов или фона.
• Оптимизация скорости: Библиотека использует передовые методы оптимизации, такие как SIMD (одна инструкция, множество данных), которые обрабатывают несколько точек данных одновременно, ускоряя аугментацию изображений и обеспечивая эффективную работу с большими наборами данных.
• Три уровня аугментации: Библиотека улучшает данные тремя способами. Например, аугментации на уровне пикселей изменяют яркость и цвет, не меняя объекты. Аугментации на пространственном уровне изменяют положение объектов, сохраняя ключевые детали, а аугментации на уровне смешивания объединяют части разных изображений для создания новых образцов.

Зачем использовать интеграцию Albumentations?#

Возможно, ты задаёшься вопросом: существует множество способов применять аугментации к набору данных, и ты даже можешь создать собственные с помощью таких инструментов, как OpenCV. Так зачем выбирать интеграцию с библиотекой Albumentations?

Создание аугментаций вручную с помощью таких инструментов, как OpenCV, может занимать много времени и требовать определённых знаний. Кроме того, бывает сложно точно настроить преобразования для достижения наилучших результатов. Интеграция Albumentations упрощает этот процесс. Она предлагает множество готовых преобразований, которые экономят время и силы при подготовке твоего набора данных.

Ещё одна причина выбрать интеграцию Albumentations — её плавная работа с конвейером обучения моделей Ultralytics. Она значительно упрощает дообучение YOLO11, поскольку аугментации автоматически применяются во время обучения. Это упрощает процесс, позволяя тебе сосредоточиться на улучшении модели, а не на подготовке данных.

Начало работы с интеграцией Albumentations#

Интересно, что использование интеграции Albumentations для обучения Ultralytics YOLO11 проще, чем может показаться. После установки нужных библиотек интеграция автоматически применяет аугментации изображений во время обучения. Это помогает модели обучаться на разных вариантах изображений, используя один и тот же набор данных.

Далее рассмотрим, как установить и использовать интеграцию Albumentations при дообучении Ultralytics YOLO11.

Установка пакета Ultralytics Python и Albumentations#

Перед применением аугментаций необходимо установить пакет Ultralytics Python и Albumentations. Интеграция по умолчанию настроена так, чтобы обе библиотеки беспрепятственно работали вместе, поэтому тебе не нужно беспокоиться о сложной конфигурации.

Весь процесс установки занимает всего пару минут и выполняется одной командой pip — инструментом управления пакетами для установки библиотек Python, как показано на изображении ниже.

Рис. 2. Установка Ultralytics и Albumentations.

После установки Albumentations режим обучения моделей Ultralytics автоматически применяет аугментации изображений во время обучения. Если Albumentations не установлена, эти аугментации применяться не будут. Подробнее см. в официальной документации Ultralytics.

Обучение Ultralytics YOLO11 с помощью интеграции Albumentations#

Давай подробнее разберёмся, что происходит внутри интеграции Albumentations.

Рассмотрим подробнее аугментации, применяемые во время обучения Ultralytics YOLO11:

• Размытие: Это преобразование слегка размывает изображение. Оно помогает модели обнаруживать объекты даже тогда, когда они находятся не в фокусе.
• Медианное размытие: Оно уменьшает случайный шум, сохраняя границы объектов на изображении. Благодаря этому модели проще обнаруживать объекты в сложных условиях.
• Оттенки серого: Преобразование изображения в чёрно-белое помогает модели сосредоточиться на формах и текстурах, а не на цветах.
• CLAHE (адаптивное выравнивание гистограммы с ограничением контрастности): Эта аугментация повышает контрастность изображений, особенно на слишком тёмных или плохо различимых участках, например в условиях слабого освещения или тумана. Благодаря этому объекты на таких участках становятся более чёткими и их проще распознавать модели.

Рис. 3. Пример аугментации в оттенках серого, применённой к изображению кошки.

Применение Ultralytics YOLO11 и интеграции Albumentations#

Если ты дообучаешь Ultralytics YOLO11 для конкретного приложения, интеграция Albumentations может повысить производительность модели, адаптируя её к различным условиям. Рассмотрим несколько реальных применений и задач, которые может решить эта интеграция.

Улучшение анализа медицинских изображений#

ИИ в здравоохранении помогает врачам точнее анализировать медицинские изображения, содействуя постановке диагнозов и улучшая уход за пациентами. Фактически около пятой части медицинских организаций уже используют решения на основе ИИ.

Однако создание таких решений для компьютерного зрения сопряжено с рядом трудностей. Медицинские снимки могут сильно различаться в разных больницах из-за таких факторов, как различия в оборудовании, настройках и даже опыте технических специалистов. Изменения яркости, контрастности и экспозиции могут влиять на стабильность и точность моделей ИИ в области компьютерного зрения, из-за чего им сложно надёжно работать в разных условиях.

Именно здесь интеграция таких инструментов, как Albumentations, становится особенно важной. Создавая несколько аугментированных версий одного снимка, Albumentations позволяет модели обучаться на изображениях разного качества. Это делает модель более устойчивой и помогает ей точно выявлять заболевания как на снимках высокого, так и низкого качества.

Рис. 4. Аугментированные рентгеновские изображения.

Повышение эффективности систем безопасности и наблюдения#

Ещё одно интересное применение ИИ в области компьютерного зрения — безопасность и наблюдение. Обнаружение объектов в реальном времени помогает службам безопасности быстро выявлять потенциальные угрозы.

Одна из основных проблем такого применения заключается в том, что камеры безопасности записывают видео при разных условиях освещения в течение дня, и эти условия могут существенно влиять на то, как модель воспринимает такие изображения. Слабое освещение, блики или плохая видимость могут мешать моделям компьютерного зрения стабильно обнаруживать объекты или распознавать потенциальные угрозы.

Интеграция Albumentations помогает, применяя преобразования, имитирующие различные условия освещения. Благодаря этому модель учится обнаруживать объекты как при ярком, так и при слабом освещении, становится надёжнее и быстрее реагирует в сложных условиях.

Изменение рабочих процессов в розничной торговле и улучшение клиентского опыта#

Пролитая жидкость в проходе супермаркета, собака, бегущая по магазину, или ребёнок, опрокинувший витрину с товарами, — лишь несколько примеров повседневных событий, которые могут быть нестандартными случаями для сред, использующих ИИ в розничной торговле. Компьютерное зрение всё чаще применяется для улучшения клиентского опыта: отслеживания поведения покупателей, мониторинга потока посетителей и идентификации товаров на полках. Однако такие реальные ситуации могут быть сложны для понимания и точной обработки системами ИИ.

Хотя невозможно представить каждый сценарий в наборе данных для компьютерного зрения, интеграция Albumentations помогает расширить данные для охвата множества возможных ситуаций, таких как неожиданное освещение, необычные ракурсы или препятствия. Это позволяет моделям компьютерного зрения адаптироваться к различным условиям, лучше обрабатывать нестандартные случаи и делать точные прогнозы в динамичной среде розничной торговли.

Основные выводы#

Сбор разнообразных реальных данных для обучения модели может быть сложным, но Albumentations упрощает этот процесс, создавая варианты изображений, которые помогают моделям адаптироваться к различным условиям.

Интеграция Albumentations, поддерживаемая Ultralytics, упрощает применение этих аугментаций при дообучении YOLO11. Это повышает качество набора данных, что полезно для самых разных отраслей, поскольку позволяет создавать более точные и надёжные модели ИИ в области компьютерного зрения.

Присоединяйся к нашему сообществу и изучай наш репозиторий на GitHub, чтобы узнать больше об ИИ, а также ознакомься с вариантами лицензирования, чтобы начать свои проекты в области ИИ для компьютерного зрения. Интересуешься такими инновациями, как ИИ в производстве или компьютерное зрение в беспилотных автомобилях? Посети наши страницы решений, чтобы узнать больше.