Data Augmentation

Аугментация данных — это критически важный метод в машинном обучении и computer vision, используемый для искусственного увеличения размера и разнообразия тренировочного набора данных путем создания измененных версий существующих данных. Вместо сбора и разметки совершенно новых данных, что может отнимать много времени и стоить дорого, аугментация применяет различные преобразования к исходным выборкам. Эти модификации помогают моделям машинного обучения более надежно распознавать паттерны, гарантируя их хорошую работу даже при столкновении с вариациями в реальных условиях. Подвергая модели воздействию более широкого спектра сценариев во время обучения, ты можешь эффективно уменьшить переобучение и улучшить генерализацию.

Актуальность в современном ИИ#

В области computer vision модели часто испытывают трудности при предъявлении изображений, которые немного отличаются от их тренировочных данных. Вариации освещения, ориентации или фоновый шум могут запутать модель, которая не видела достаточного разнообразия. Аугментация данных решает эту проблему путем программного моделирования таких вариаций. Например, изображение кошки может быть повернуто, отражено или слегка размыто, чтобы научить модель тому, что объект остается «кошкой» независимо от этих изменений.

Этот процесс неотделим от успеха современных архитектур, таких как Ultralytics YOLO26, которая полагается на богатые и разнообразные наборы данных для достижения высокой точности в таких задачах, как обнаружение объектов и сегментация изображений. Синтезируя новые тренировочные примеры, аугментация позволяет моделям изучать инвариантные признаки — характеристики, которые не меняются вопреки изменениям во входных данных.

Общие методы и способы#

Аугментация данных охватывает широкий спектр методов преобразования, начиная от простых геометрических корректировок и заканчивая сложными генеративными подходами:

• Геометрические преобразования: включают такие операции, как поворот, масштабирование, отражение, кадрирование и трансляция (сдвиг) изображений. Они представляют собой изменения точки обзора камеры или положения объекта.
• Корректировка цветового пространства: изменение яркости, контрастности, насыщенности и цветового тона помогает моделям справляться с различными условиями освещения или датчиками камер.
• Внесение шума: добавление случайного шума (например, гауссовского шума) может сделать модели более устойчивыми к зернистым или низкокачественным входным данным.
• Смешивание изображений: такие методы, как MixUp или Mosaic (популярные в обучении YOLO), объединяют несколько изображений в один обучающий пример, заставляя модель более эффективно изучать контекст и взаимосвязи объектов.
• Генеративные подходы: Передовые методы используют Generative AI или диффузионные модели для создания совершенно новых синтетических тренировочных образцов, имитирующих характеристики исходного набора данных.

Реальные приложения#

Практическое влияние аугментации данных охватывает множество отраслей, где нехватка данных или их высокая изменчивость являются проблемой.

Автономное вождение#

При разработке автономных транспортных средств сбор данных для каждого возможного погодного условия или сценария освещения практически невозможен. Инженеры используют аугментацию данных для имитации дождя, тумана, снега или бликов на изображениях в ясную погоду. Это гарантирует, что система восприятия сможет надежно обнаруживать пешеходов, дорожные знаки и другие транспортные средства независимо от факторов окружающей среды, повышая безопасность и надежность.

Медицинская визуализация#

Анализ медицинских изображений часто страдает от ограниченности наборов данных из-за проблем с конфиденциальностью и редкости некоторых состояний. Аугментация позволяет исследователям расширять небольшие наборы данных рентгенограмм или МРТ-сканов путем применения упругих деформаций, вращений или сдвигов интенсивности. Это помогает обучать надежные диагностические модели, способные выявлять опухоли или переломы с высокой чувствительностью даже при изменении положения пациента или качества сканирования.

Разграничение похожих концепций#

Важно отличать аугментацию данных от Synthetic Data. Хотя обе концепции нацелены на увеличение размера набора данных, synthetic data искусственно генерируется с нуля (часто с использованием трехмерного рендеринга или симуляционных движков), в то время как аугментация данных модифицирует существующие данные реального мира. Кроме того, Data Preprocessing включает очистку и форматирование данных (например, изменение размера, нормализацию), чтобы сделать их подходящими для модели, но в отличие от аугментации, это необязательно увеличивает количество тренировочных образцов.

Реализация аугментации с помощью Ultralytics#

Современные фреймворки интегрируют аугментацию непосредственно в конвейер обучения. Пример ниже демонстрирует, как применять такие аугментации, как отражение и масштабирование, при обучении модели Ultralytics YOLO26 с использованием пакета ultralytics.

from ultralytics import YOLO

# Load the YOLO26 model
model = YOLO("yolo26n.pt")

# Train with custom data augmentation hyperparameters
# fliplr: 50% chance of horizontal flip, scale: image scaling gain
results = model.train(data="coco8.yaml", epochs=10, fliplr=0.5, scale=0.5)

Настраивая эти гиперпараметры, ты можешь адаптировать стратегию аугментации под конкретные нужды своего набора данных и приложения, используя гибкость Ultralytics Platform для эффективной разработки моделей.