Data Augmentation

Аугментация данных — это важный метод в машинном обучении и компьютерном зрении, используемый для искусственного увеличения размера и разнообразия обучающего набора данных путем создания модифицированных версий существующих данных. Вместо сбора и разметки совершенно новых данных, что может быть трудоемким и дорогостоящим, аугментация применяет различные преобразования к исходным выборкам. Эти модификации помогают моделям машинного обучения лучше распознавать закономерности, гарантируя, что они будут эффективно работать даже при столкновении с вариациями в реальных условиях. Предоставляя моделям более широкий спектр сценариев во время обучения, ты можешь эффективно уменьшить переобучение и улучшить обобщающую способность.

Link to this sectionАктуальность в современном ИИ#

В области компьютерного зрения модели часто испытывают трудности, когда сталкиваются с изображениями, которые немного отличаются от их обучающих данных. Изменения 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 является неотъемлемой частью 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 примеры для обучения, аугментация позволяет моделям изучать инвариантные признаки — характеристики, которые не меняются, несмотря на изменения во входных данных.

Link to this sectionОбщие 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 Генеративный ИИ или диффузионные модели для создания совершенно новых синтетических обучающих выборок, имитирующих характеристики исходного набора данных.

Link to this sectionРеальные приложения#

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

Link to this sectionАвтономное вождение#

При разработке автономных транспортных средств сбор данных для всех возможных погодных условий или сценариев освещения практически невозможен. Инженеры используют аугментацию данных для имитации дождя, тумана, снега или бликов на изображениях, сделанных 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.

Link to this sectionМедицинская визуализация#

Анализ медицинских изображений часто страдает от ограниченных наборов данных из-за соображений конфиденциальности и редкости определенных состояний. Аугментация позволяет исследователям расширять небольшие наборы рентгеновских снимков или МРТ, применяя упругие деформации, повороты или сдвиги интенсивности. Это помогает обучать надежные диагностические модели, способные с высокой чувствительностью выявлять опухоли или переломы, даже если положение пациента или качество сканирования различаются.

Link to this sectionРазграничение похожих концепций#

Важно отличать аугментацию данных от синтетических данных. Хотя обе концепции нацелены на увеличение размера набора данных, синтетические данные создаются искусственно с нуля (часто с использованием 3D-рендеринга или движков симуляции), тогда как аугментация данных модифицирует существующие реальные данные. Кроме того, предобработка данных включает очистку и форматирование данных (например, изменение размера, нормализацию), чтобы сделать их пригодными для модели, но, в отличие от аугментации, она не обязательно увеличивает количество обучающих выборок.

Link to this sectionРеализация аугментации с помощью Ultralytics#

Современные фреймворки интегрируют аугментацию непосредственно в конвейер обучения. В примере ниже показано, как применять аугментации, такие как отражение и масштабирование, во время обучения модели 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 к конкретным потребностям твоего набора данных и приложения, используя гибкость платформы Ultralytics для эффективной разработки моделей.