Guide pratique pour l'augmentation des données dans l'apprentissage profond : stratégies et calculs
L'augmentation des données est une technique utilisée dans le cadre de l'apprentissage approfondi pour accroître la diversité des données de formation sans recueillir de nouvelles données. Elle contribue à améliorer la généralisation des modèles et réduit les surajustements.
Stratégies communes d'augmentation des données
Plusieurs techniques sont utilisées pour augmenter les données, en particulier dans le traitement d'images.Ces méthodes modifient les données existantes pour créer de nouveaux échantillons variés pour la formation.
- Rotation: Images tournantes par une certaine plage de degrés.
- Échelle : Redimensionnement des images tout en maintenant le rapport d'aspect.
- Flipping: Flips horizontaux ou verticaux.
- Couleur: Changement de luminosité, de contraste ou de saturation.
- Crampage:[ Croppage aléatoire ou central pour se concentrer sur différentes parties de l'image.
Calculs pour l'augmentation des données
La mise en oeuvre de l'augmentation des données implique le calcul de la probabilité et de l'étendue des transformations pour assurer la diversité sans compromettre l'intégrité des données.
Par exemple, si l'on applique une rotation comprise entre 0° et 30°, l'angle de rotation moyen peut être calculé comme suit:
Rotation moyenne[ = (minimum + maximum) / 2 = (0° + 30°) / 2 = 15°
De même, lors de l'application de la culture aléatoire, la taille de la culture peut être déterminée en fonction de la taille d'image originale et du pourcentage de couverture souhaité.
Avantages de l'augmentation des données
L'utilisation de techniques d'augmentation des données peut améliorer la performance du modèle en exposant le modèle à une plus grande variété de données. Elle contribue également à réduire les surajustements, en particulier lorsque les données de formation sont limitées.