Veri augmentasyon, yeni veriler toplamadan eğitim verilerinin çeşitliliğini artırmak için derin bir öğrenmede kullanılan bir tekniktir.Bu kılavuz, veri augmentasyonunda ortak stratejiler ve hesaplamaları kapsar.
Common Data Augmentation Strategiess
Çeşitli teknikler, özellikle görüntü işleme görevlerinde bir sürü veriye kullanılır. Bu yöntemler mevcut verileri eğitim için yeni, çeşitli örnekler oluşturmak için değiştirir.
- [FONT:0)Rotation:[Dönetici:[Dönetici:0) Belirli bir derece aralığı tarafından çizimler.
- [FONT:0)Scaling:[Dön oranı korurken görüntüleri yeniden yapılandırın.
- [FONT:0]Flipping:[Dönem:[Dönder:) yatay veya dikey dönüşler.
- [FONT:0)Renk Jittering:[Dönetici:[Dönetici:0)
- [FONT:0)Kırk:[Dönetici: 0,4] Görüntünün farklı bölgelerine odaklanmak için rastgele veya merkez eklenme.
Data Augmentation için hesaplamalar
Veri büyütme işlemi, veri bütünlüğünden ödün vermeden çeşitliliği sağlamak için olasılık ve dönüşümleri hesaplamayı içerir.
Örneğin, bir dizi 0° içinde 30°'ye dönüş uygularsanız, ortalama rotasyon açısı hesaplanabilir:
[FONT=0)Average Rotation[[Döntme 1: 1) = (Minimum + maksimum) / 2 = (180 + 30°) / 2 = 15°
Benzer şekilde, rastgele ekleme uygularken, ek boyut orijinal görüntü boyutuna ve istenen kapsama yüzdesine göre belirlenebilir.
Data Augmentation Faydaları
Verilere yardımcı olmak teknikleri, modeli daha geniş bir veri çeşitliliğine maruz bırakarak gelişmiş model performansına yol açabilir. Ayrıca aşırı yüklemede yardımcı olur, özellikle eğitim verileri sınırlı olduğunda.