CutMix

CutMix is an advanced data augmentation technique used to train robust computer vision models by cutting a rectangular patch from one image and pasting it onto a target image. Unlike simpler augmentations that adjust brightness or rotation, CutMix alters the fundamental composition of a training sample. When the pixels are swapped, the corresponding ground-truth labels are also mixed proportionally to the area of the patch. This helps artificial neural networks learn to identify objects from partial views, forcing the model to rely on multiple features rather than focusing solely on the most discriminative parts of an object. First introduced in a 2019 academic paper, it has become a standard operation in deep learning frameworks to prevent overfitting and improve generalization across large datasets.

Link to this sectionTeknik Nasıl Çalışır#

During model training, the algorithm randomly selects a center coordinate and a box size to extract a region from a secondary image. This patch is then overlaid directly onto a primary image within the active batch. If the primary image contained a dog and the secondary contained a cat, the final image would feature a cat patch replacing a portion of the dog. The classification labels are updated using linear interpolation based on the exact patch area—for example, yielding a label of 0.7 dog and 0.3 cat. In object detection tasks, bounding boxes that retain at least a certain percentage (often 10%) of their original area within the pasted region are preserved. This technique is natively supported as a cutmix training hyperparameter in Ultralytics YOLO, allowing practitioners to easily define the probability of this transformation.

Link to this sectionMixUp ve Cutout Arasındaki Farklar#

CutMix, diğer iki önemli veri artırma tekniğiyle yakından ilişkilidir ancak onların belirli sınırlamalarını çözer:

• MixUp Artırma: MixUp, piksel değerlerinin ağırlıklı ortalamasını hesaplayarak iki görüntüyü küresel ölçekte harmanlar. Etkili olmasına rağmen, genellikle yerel uzamsal korelasyonu bozarak modellerin kafasını karıştırabilen doğal olmayan, yarı saydam hayalet görüntülerle sonuçlanır. Buna karşılık CutMix, araştırmacıların Attentive CutMix gibi yaklaşımlarda daha da optimize ettiği kesilen bölgelerdeki orijinal piksel yoğunluklarını korur.
• Cutout Artırma: Cutout, rastgele dikdörtgen bir bölgeyi siyah piksellerle veya veri kümesi ortalamasıyla maskeleyerek bilgiyi düşürür. Modeli nesnenin tamamına bakmaya teşvik etse de, değerli eğitim tensörlerini boşa harcar. CutMix ise bu eksik alanı diğer görüntülerden gelen bilgilendirici görüntü sınıflandırma yamalarıyla değiştirerek genel öğrenme verimliliğini artırır.

Link to this sectionGerçek Dünya Uygulamaları#

Modelleri ciddi şekilde engellenmiş (occluded) nesneleri tanıyacak şekilde eğiten CutMix, çeşitli endüstrilerde makine öğrenimi performansını önemli ölçüde artırır.

• Otomotiv Yapay Zekası ve Otonom Sürüş: Sürücüsüz araçlarda, yayaların veya araçların trafik işaretleri tarafından kısmen engellendiği durumlarda bile sistemi onları tanımlaması için eğiterek kalabalık ortamlarda güvenliği artırır.
• Tıbbi Tanılama ve Organ Segmentasyonu: Sağlık sektöründe bu yöntem, organ ve tümör segmentasyonu için yaygın olarak kullanılır ve modellerin anatomik yapılar üst üste geldiğinde bile karmaşık doku sınırlarını tanımasını sağlar.
• Uydu Görüntüleri için Uzaktan Algılama: Bu strateji, hava görüntülerinden binalar ve bitki örtüsü gibi yoğun, üst üste binen sınıfları korur. Büyük ölçüde dengesiz veriler üzerinde uzun kuyruklu tanımayı iyileştirmek için gelişmiş varyasyonlar aktif olarak araştırılmaktadır.

Link to this sectionUygulamada Hayata Geçirme#

Bu artırmayı bir yapay zeka hattına entegre etmek kolaydır. PyTorch Transforms ve Keras Preprocessing Layers gibi çoğu yüksek seviyeli kütüphane bunu yerel olarak destekler.

YOLO26 gibi bir modeli eğitirken, bu artırmayı yapılandırmak sadece tek bir parametre ayarı gerektirir. Bu, hem görüntü yama işlemini hem de karmaşık sınırlayıcı kutu kırpma mantığını otomatik olarak halleder.

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, kullanıcıların bu veri artırma en iyi uygulamalarını doğrudan bulut arayüzünden ayarlamasına olanak tanıyarak anotasyondan model dağıtımına giden yolu kolaylaştırır.