Cấp phép YOLO
Quay lại Bảng thuật ngữ Ultralytics

MixUp

MixUp kết hợp các mẫu huấn luyện và nhãn tương ứng để giảm overfitting. Phương pháp này tạo nhãn lớp mềm cho bài toán phân loại và giữ nguyên các bounding box cho bài toán phát hiện.

MixUp là một kỹ thuật tăng cường dữ liệu, kết hợp hai mẫu huấn luyện thành một và kết hợp các nhãn tương ứng. Trong phân loại ảnh, cùng một tỷ lệ điều khiển cả hai phần kết hợp: nếu một ảnh đóng góp 70% vào phần kết hợp điểm ảnh, lớp của ảnh đó nhận 70% trọng số của nhãn. Huấn luyện bằng các mẫu trung gian này khuyến khích dự đoán của model thay đổi dần giữa các mẫu.

Cách MixUp hoạt động#

MixUp tiêu chuẩn lấy một trọng số trong khoảng từ 0 đến 1 từ phân phối Beta đối xứng, được tham số hóa bởi alpha. Khi giá trị nhỏ hơn 1, các mẫu lấy được tập trung ở hai đầu, vì vậy một ảnh thường chiếm ưu thế. Khi bằng 1, các khoảng có độ rộng bằng nhau có xác suất xuất hiện như nhau. Khi lớn hơn 1, các mẫu tập trung gần 0.5, tạo ra phần kết hợp cân bằng hơn. Tỷ lệ kết hợp xác định mức đóng góp của mỗi mẫu; xác suất áp dụng riêng biệt, nếu có, xác định tần suất phép biến đổi được thực thi.

Hongyi Zhang, Moustapha Cissé, Yann N. Dauphin và David Lopez-Paz giới thiệu kỹ thuật này trong mixup: Vượt ra ngoài tối thiểu hóa rủi ro thực nghiệm, lần đầu được đăng vào năm 2017 và trình bày tại ICLR 2018. Trong thử nghiệm CIFAR-10 kéo dài 200 epoch với ResNet-18 tiền kích hoạt và weight decay là 0.0001, MixUp với alpha=1 đã giảm lỗi kiểm thử trung vị trong 10 epoch cuối từ 5.53% xuống còn 4.24%.

CIFAR-10 preview 1
CIFAR-10 preview 2
CIFAR-10 preview 3
CIFAR-10 preview 4
60.000
CIFAR-10
ultralytics
Công khaiPhân loại

Tiny 32x32 color photos of common vehicles and animals, the classic small-image classification benchmark from the University of Toronto. Collected by Alex Krizhevsky, Vinod Nair, and Geoffrey Hinton as a hand-labeled subset of the 80 Million Tiny Images collection, with balanced, mutually exclusive classes. Source: Krizhevsky, "Learning Multiple Layers of Features from Tiny Images," University of Toronto tech report 2009; cs.toronto.edu/~kriz/cifar.html.

110 lớp66 MB23 thg 10, 2026
airplaneautomobilebirdcat+6
image-classificationcifar10object-recognition+1

MixUp cho phân loại ảnh#

Nhãn phân loại ảnh thường được lưu dưới dạng ID lớp là số nguyên. Thay vào đó, MixUp kết hợp các vector lớp: khi hai ảnh thuộc các lớp khác nhau, kết quả là một nhãn mục tiêu mềm gồm hai trọng số có tổng bằng một. Khi cả hai ảnh thuộc cùng một lớp, lớp đó giữ nguyên trọng số tối đa. Với hàm mất mát entropy chéo, sử dụng nhãn mục tiêu mềm tương đương với việc tính hàm mất mát cho từng nhãn gốc dựa trên cùng một dự đoán từ ảnh kết hợp, rồi lấy tổng có trọng số của hai hàm mất mát.

Phép biến đổi MixUp theo batch của Torchvision áp dụng chung một trọng số kết hợp cho cả batch. Ví dụ sử dụng ảnh con mèo và tách cà phê từ bộ sưu tập mẫu của scikit-image.

import torch
from skimage import data
from torchvision.transforms import v2

resize = v2.Resize((128, 128))
to_image = v2.ToImage()
cat = resize(to_image(data.chelsea()))
coffee = resize(to_image(data.coffee()))
images = torch.stack((cat, coffee)).float() / 255
labels = torch.tensor([0, 1])

mixup = v2.MixUp(alpha=1.0, num_classes=2)
mixed_images, mixed_targets = mixup(images, labels)
print(mixed_targets)

Mỗi hàng được in ra hiển thị trọng số của con mèo và tách cà phê cho một ảnh kết hợp. Trọng số đổi chỗ giữa các hàng vì phép biến đổi đảo vai trò của hai ảnh trong batch này.

Cách phát hiện đối tượng xử lý các nhãn được kết hợp#

Nhãn mục tiêu của phát hiện đối tượng chứa một bounding box và một lớp cho mỗi đối tượng. Lấy trung bình hai box có thể đặt box kết quả vào khoảng giữa các đối tượng. Phép biến đổi MixUp của Ultralytics YOLO kết hợp các ảnh nhưng giữ nguyên cả hai tập box và ID lớp dưới dạng các nhãn mục tiêu riêng biệt. Cài đặt mixup kiểm soát tần suất phép biến đổi được thực thi và mặc định là 0.0; tỷ lệ điểm ảnh được lấy mẫu riêng từ Beta(32, 32), tạo ra phần kết hợp gần cân bằng, đồng thời mốc dừng huấn luyện close_mosaic cũng tắt MixUp khi có hiệu lực.

So sánh MixUp với các phép tăng cường dữ liệu khác#

MixUp đóng vai trò regularization bằng cách huấn luyện model trên các tổ hợp mẫu mà nếu không có thể bị ghi nhớ. Việc kết hợp toàn bộ ảnh cũng có thể tạo ra các mẫu trông giống một lớp thứ ba. Trong một thử nghiệm với MNIST, ảnh kết hợp các chữ số viết tay 1 và 5 trông giống số 8, dù nhãn mục tiêu gán 53% cho số 1 và 47% cho số 5. Do đó, ảnh cung cấp bằng chứng trực quan cho một lớp không nhận được trọng số nhãn mục tiêu nào.

  • CutMix thay thế một vùng hình chữ nhật bằng một mảnh ảnh khác. Trong phân loại, trọng số nhãn mục tiêu được tính theo diện tích đóng góp của mỗi ảnh.
  • Mosaic sắp xếp nhiều ảnh trên cùng một canvas và ánh xạ lại chú thích của chúng theo bố cục mới.
  • Làm mượt nhãn phân phối lại một phần trọng số nhãn mục tiêu giữa các lớp mà không thay đổi đầu vào.

Manifold Mixup chuyển phép nội suy từ đầu vào thô sang một lớp ẩn của mạng. Phương pháp này vẫn sử dụng cùng một trọng số kết hợp cho các activation ẩn và nhãn lớp.

Khám phá các giải pháp

Thị giác máy tính trong thể thao

Thị giác máy tính trong thể thao

Khám phá cách Ultralytics YOLO thúc đẩy thị giác máy tính trong thể thao với khả năng theo dõi cầu thủ và bóng, phân tích hiệu suất, cung cấp thông tin chuyên sâu cho huấn luyện và hỗ trợ phục hồi cho vận động viên.
Tìm hiểu thêm
Thị giác máy tính cho ảnh hàng không

Thị giác máy tính cho ảnh hàng không

Chuyển hình ảnh từ drone và ảnh hàng không thành thông tin chuyên sâu theo thời gian thực cho nông nghiệp, nuôi trồng thủy sản, bảo tồn và phân tích không gian địa lý với Ultralytics YOLO.
Tìm hiểu thêm
Thị giác máy tính trong hàng không vũ trụ

Thị giác máy tính trong hàng không vũ trụ

Ứng dụng computer vision trong ngành hàng không vũ trụ với Ultralytics YOLO cho kiểm tra máy bay, phát hiện dị vật trên đường băng (FOD), vận hành mặt đất tại sân bay và phát hiện lỗi vật liệu composite.
Tìm hiểu thêm
Computer vision trong lĩnh vực an ninh

Computer vision trong lĩnh vực an ninh

Bảo vệ mọi địa điểm bằng model Ultralytics YOLO. Vision AI hỗ trợ giám sát vành đai, phát hiện mối đe dọa, nhận dạng biển số và an toàn nơi làm việc.
Tìm hiểu thêm
Computer vision trong robotics

Computer vision trong robotics

Tăng cường năng lực cho máy móc thông minh bằng model Ultralytics YOLO. Vision AI trong lĩnh vực robotics hỗ trợ điều hướng tự động, nhận thức, theo dõi đối tượng và điều khiển theo thời gian thực.
Tìm hiểu thêm
Thị giác máy tính trong logistics

Thị giác máy tính trong logistics

Tinh giản hoạt động logistics với các model Ultralytics YOLO. Vision AI hỗ trợ kiểm tra kiện hàng, phân loại, theo dõi phương tiện và giám sát an toàn kho hàng theo thời gian thực.
Tìm hiểu thêm
Thị giác máy tính trong bán lẻ

Thị giác máy tính trong bán lẻ

Định hình lại hoạt động bán lẻ với các model Ultralytics YOLO. Vision AI hỗ trợ theo dõi hàng tồn kho, giám sát kệ hàng, quản lý hàng chờ và phân tích khách hàng thông minh hơn.
Tìm hiểu thêm
Thị giác máy tính trong chăm sóc sức khỏe

Thị giác máy tính trong chăm sóc sức khỏe

Xây dựng các giải pháp chăm sóc sức khỏe với model Ultralytics YOLO. Vision AI trong chăm sóc sức khỏe hỗ trợ xử lý hình ảnh y tế nhanh hơn, chẩn đoán thông minh hơn và theo dõi bệnh nhân.
Tìm hiểu thêm
Thị giác máy tính trong sản xuất

Thị giác máy tính trong sản xuất

Tối ưu hóa sản xuất bằng các model Ultralytics YOLO. Vision AI thúc đẩy kiểm soát chất lượng, phát hiện lỗi, tuân thủ PPE và tự động hóa dây chuyền lắp ráp.
Tìm hiểu thêm
Thị giác máy tính trong ngành ô tô

Thị giác máy tính trong ngành ô tô

Ứng dụng thị giác máy tính trong ngành ô tô với các model Ultralytics YOLO. Vision AI nâng cao an toàn giao thông, hỗ trợ người lái và tự động hóa phương tiện để tạo nên những tuyến đường thông minh hơn.
Tìm hiểu thêm
Thị giác máy tính trong nông nghiệp

Thị giác máy tính trong nông nghiệp

Ứng dụng AI thị giác vào nông nghiệp thông minh với các model Ultralytics YOLO. Hỗ trợ giám sát cây trồng, theo dõi vật nuôi và canh tác chính xác để nâng cao năng suất một cách thông minh hơn.
Tìm hiểu thêm

Hãy cùng nhau kiến tạo tương lai của AI!

Bắt đầu hành trình hướng đến tương lai của machine learning