Аугментація даних – це методика, яка використовується в глибокому навчанні для збільшення різноманіття даних навчання без збору нових даних. Вона допомагає покращити узагальнення моделі та зменшує перенаряджання. Цей посібник охоплює загальні стратегії та розрахунки, залучені до аугментації даних.

Загальні стратегії здачі даних

Кілька методів використовуються для обробки даних, особливо в задачах обробки зображень. Ці методи модифікують існуючі дані для створення нових, різноманітних зразків для навчання.

  • Rotation:] Обертання зображень за певним ступенем.
  • Скальтинг:] Смоктатизацію зображень при підтримці співвідношення сторін.
  • Фліппінінг: Горизонтальні або вертикальні фліпи.
  • Колор Джиттерінг: Зміна яскравості, контрастності або насиченості.
  • Cropping:] Випадкові або центри, які фокусуються на різних частинах зображення.

Розрахунок для обробки даних

Реалізація аугментації даних передбачає розрахунок ймовірності та кількості трансформацій, що забезпечують різноманіття без компромації цілісності даних.

Наприклад, якщо внесення обертань в діапазоні 0° до 30°, то середній кут обертання може бути розрахований як:

Поворот = (Minimum + Максимальна) / 2 = (0° + 30°) / 2 = 15°

Аналогічно при застосуванні випадкових культур, розмір рослин можна визначити на основі оригінального розміру зображення і бажаного відсотка покриття.

Переваги обробки даних

Використовуючи методи аугментації даних можна привести до поліпшення продуктивності моделі шляхом розширення моделі до більш широкого спектру даних. Також вона допомагає при зниженні навантаження, особливо при обмеженні даних тренувань.