CutMix

CutMix, bir görüntüden dikdörtgen bir bölgeyi kesip hedef görüntünün üzerine yapıştırarak dayanıklı bilgisayarlı görü modelleri eğitmek için kullanılan gelişmiş bir veri artırma tekniğidir. Parlaklığı veya döndürmeyi ayarlayan daha basit artırmaların aksine CutMix, eğitim örneğinin temel bileşimini değiştirir. Pikseller değiştirildiğinde, karşılık gelen gerçek referans etiketleri de bölgenin alanıyla orantılı olarak birleştirilir. Bu, yapay sinir ağlarının nesneleri kısmi görünümlerden tanımayı öğrenmesine yardımcı olur ve modeli yalnızca bir nesnenin en ayırt edici kısımlarına odaklanmak yerine birden çok özelliğe güvenmeye zorlar. İlk olarak bir 2019 akademik makalesinde tanıtılan bu yöntem, aşırı öğrenmeyi önlemek ve büyük veri kümelerinde genelleştirmeyi iyileştirmek için derin öğrenme çerçevelerinde standart bir işlem hâline gelmiştir.

Teknik Nasıl Çalışır#

Model eğitimi sırasında algoritma, ikincil bir görüntüden bir bölge çıkarmak için rastgele bir merkez koordinatı ve kutu boyutu seçer. Bu bölge daha sonra etkin batch içindeki birincil görüntünün üzerine doğrudan yerleştirilir. Birincil görüntüde bir köpek, ikincil görüntüde ise bir kedi varsa son görüntüde köpeğin bir kısmının yerini alan bir kedi bölgesi bulunur. Sınıflandırma etiketleri, bölgenin tam alanına göre doğrusal enterpolasyon kullanılarak güncellenir; örneğin etiket 0,7 köpek ve 0,3 kedi olabilir. Nesne algılama görevlerinde, özgün alanlarının belirli bir yüzdesini (genellikle %10) yapıştırılan bölge içinde koruyan sınırlayıcı kutular muhafaza edilir. Bu teknik, Ultralytics YOLO içinde cutmix eğitim hiperparametresi olarak yerel biçimde desteklenir ve uygulayıcıların bu dönüşümün olasılığını kolayca tanımlamasına olanak tanır.

MixUp ve Cutout Arasındaki Farklar#

CutMix, öne çıkan diğer iki veri artırma tekniğiyle yakından ilişkilidir; ancak bu tekniklerin kendine özgü sınırlamalarını giderir:

• MixUp Veri Artırması: MixUp, piksel değerlerinin ağırlıklı ortalamasını hesaplayarak iki görüntüyü küresel olarak harmanlar. Etkili olsa da çoğu zaman doğal olmayan, yarı saydam hayalet görüntüler oluşturur ve yerel uzamsal korelasyonu bozarak modellerin kafasını karıştırabilir. Buna karşılık CutMix, kesilen bölgelerdeki özgün piksel yoğunluklarını korur; araştırmacılar bunu Attentive CutMix gibi yaklaşımlarda daha da geliştirmiştir.
• Cutout Veri Artırması: Cutout, rastgele bir dikdörtgen bölgeyi siyah piksellerle veya veri kümesinin ortalamasıyla maskeleyerek bilgiyi kaldırır. Modeli nesnenin tamamına bakmaya teşvik etse de değerli eğitim tensörlerini boşa harcar. CutMix, bu eksik alanı diğer görüntülerden alınan bilgilendirici görüntü sınıflandırma bölgeleriyle doldurarak genel öğrenme verimliliğini artırır.

Gerçek Dünya Uygulamaları#

CutMix, modelleri ciddi biçimde örtülmüş nesneleri tanıyacak şekilde eğiterek farklı sektörlerdeki makine öğrenmesi performansını önemli ölçüde artırır.

• Otomotiv Yapay Zekâsı ve Otonom Sürüş: Kendi kendine giden araçlarda sistemin, yayalar veya araçlar sokak tabelaları tarafından kısmen engellense bile onları tanımasını öğretir ve kalabalık ortamlarda güvenliği artırır.
• Tıbbi Tanı ve Organ Segmentasyonu: Sağlık hizmetlerinde bu yöntem, organ ve tümör segmentasyonu için yaygın olarak kullanılır ve modellerin anatomik yapılar üst üste bindiğinde bile karmaşık doku sınırlarını tanımasını sağlar.
• Uydu Görüntüleri için Uzaktan Algılama: Bu strateji, hava görüntülerindeki binalar ve bitki örtüsü gibi yoğun ve üst üste binen sınıfları korur. Dengesizliğin yüksek olduğu verilerde uzun kuyruklu tanımayı iyileştirmek için gelişmiş varyasyonlar aktif olarak araştırılmaktadır.

Uygulamada Gerçekleştirme#

Bu artırmayı bir yapay zekâ işlem hattına entegre etmek oldukça kolaydır. PyTorch Dönüşümleri ve Keras Ön İşleme Katmanları gibi üst düzey kütüphanelerin çoğu bunu yerel olarak destekler.

YOLO26 gibi bir modeli eğitirken bu artırmayı yapılandırmak yalnızca tek bir parametre ayarı gerektirir. Bu işlem, hem görüntü bölme ve yerleştirme adımlarını hem de karmaşık sınırlayıcı kutu kırpma mantığını otomatik olarak yönetir.

from ultralytics import YOLO

# Initialize the recommended Ultralytics YOLO26 model
model = YOLO("yolo26n.pt")

# Train the model with CutMix enabled at a 50% probability
results = model.train(data="coco8.yaml", epochs=50, imgsz=640, cutmix=0.5)

Büyük ölçekli görü iş akışlarını yöneten ekipler için Ultralytics Platform, bu veri artırma en iyi uygulamalarını doğrudan bulut arayüzünden ayarlamana olanak tanıyarak anotasyondan model dağıtımına uzanan süreci kolaylaştırır.