Аугментация данных

Расширение данных - это стратегическая техника в машинном обучении (МЛ) используемый для искусственного увеличения размера и разнообразия обучающий набор данных без необходимости сбора новых исходных данных. Применяя различные преобразования к существующим образцам данных, разработчики могут создавать модифицированные, но реалистичные версии изображений, текста или аудио. Этот процесс необходим для уменьшения оверфиттингараспространенной проблемы, когда модель запоминает обучающие примеры, а не учится обобщенным шаблонам. В конечном итоге эффективное дополнение приводит к повышению точности и гарантирует, что модель устойчивость модели при работе с неизвестными данными в реальных условиях.

Основные техники и методы

В области компьютерного зрения (КЗ)Дополнение включает в себя манипулирование входными изображениями для имитации различных условий. Эти преобразования помогают модели стать инвариантной к изменениям ориентации, освещения и масштаба.

• Геометрические преобразования: Они изменяют пространственное расположение изображения. Общие операции включают произвольное вращение, горизонтальное переворачивание, кадрирование и масштабирование. Например, при использовании геометрические преобразованияOpenCV позволяет модели распознавать объект независимо от того, перевернут он или наклонен.
• Фотометрические преобразования: Они корректируют значения пикселей для изменения внешнего вида без изменения геометрии. Регулировка яркости, контрастности, насыщенности и добавление гауссовский шум помогают модели справляться с при изменяющихся условиях освещения.
• Продвинутое смешивание: Современный обнаружение объектов фреймворки часто используют такие сложные техники, как Mosaic, MixUp и CutMix. Эти методы объединяют несколько изображений в один обучающий образец, побуждая модель к изучению контекстных связей. Вы можете изучить, как их реализовать с помощью на ИнтеграцияUltralytics Albumentations.

Применение в реальном мире

Дополнение данных незаменимо в отраслях, где высококачественные данные дефицитны или их получение обходится дорого.

1. Медицинская визуализация: In анализ медицинских изображенийЗаконы о конфиденциальности и редкость конкретных заболеваний ограничивают размер наборов данных. Дополнив рентгеновские снимки или снимки МРТ вращением и упругими деформациями, исследователи могут обучить надежные модели для обнаружения опухолейПри этом ИИ сможет выявлять аномалии независимо от положения пациента или калибровки машины.
2. Автономное вождение: Самоуправляемые автомобили должны ориентироваться в непредсказуемой обстановке. Собрать данные для всех возможных погодных условий невозможно. Инженеры используют дополнения, чтобы смоделировать дождь, туман или слабое освещение для имитации дождя, тумана или слабого освещения на кадрах, снятых в ясный день. Это позволяет подготовить автономные автомобили к безопасному реагированию в неблагоприятную погоду, значительно повышая стандарты безопасности, описанные такими организациями, как NHTSA.

Реализация дополнения в Ultralytics YOLO

Сайт ultralytics Библиотека упрощает применение дополнений непосредственно в обучение модели трубопровод. Вы можете настроить гиперпараметры для управления интенсивностью и вероятностью преобразований.

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
)

Различение смежных понятий

Важно отличать увеличение объема данных от аналогичных стратегий работы с данными:

• В сравнении с синтетическими данными: При дополнении изменяются существующие реальные данные, синтетические данные генерируется полностью с нуля с помощью компьютерного моделирования или генеративный искусственный интеллект. Дополнения добавляют разнообразие к тому, что у вас есть; синтетические данные создают то, чего у вас нет.
• В сравнении с предварительной обработкой данных: Предварительная обработка данных включает в себя очистку и форматирование данных (например, изменение размера, нормализацию), чтобы сделать их пригодными для модели. Дополнение происходит после предварительной обработки и направлено на расширение разнообразия набора данных, а не его формата.
• против трансферного обучения: Трансфертное обучение использует знания из предварительно обученной модели (например, обученной на ImageNet) для решения новой задачи. Хотя их часто используют вместе, трансферное обучение относится к весовым коэффициентам модели, в то время как расширение относится к входным данным.

Для более глубокого погружения в современные библиотеки дополнений можно использовать Документация Albumentations содержит обширный список доступных преобразований, совместимых с PyTorch и YOLO11.