Usa l'aumento dei dati con attenzione

Cosa fa l'aumento dei dati#

L'aumento dei dati trasforma al volo le immagini di training, così il modello vede una versione leggermente diversa di ogni immagine a ogni epoca. Se eseguito correttamente, migliora la robustezza a illuminazione, scala e orientamento e riduce l'overfitting, perché il modello non può memorizzare immagini che cambiano continuamente. Se eseguito male, insegna scene fisicamente impossibili e nasconde lacune nel dataset che dovresti correggere.

Guarda il riquadro della tonalità qui sopra: il macao rosso diventa giallo. È innocuo per distinguere «macao» da «non macao», ma è dannoso se il colore distingue due delle tue classi.

Le impostazioni predefinite importanti#

Questi sono i valori predefiniti in Ultralytics 8.4; la guida di riferimento alle impostazioni di aumento dei dati elenca ogni argomento:

I dataset di profondità fanno eccezione: mosaic, mixup, cutmix e copy_paste produrrebbero mappe di profondità abbinate non valide, quindi il caricatore dei dati di profondità li imposta automaticamente su 0.

Il test di deployment#

Ogni trasformazione attivata deve superare una domanda e poi una seconda:

Un'ara capovolta è un'immagine di addestramento adatta a un drone che guarda dritto verso il basso, ma sprecata per una telecamera fissata a una parete. Le trasformazioni che non superano il test producono un segnale di addestramento negativo: il modello impara a riconoscere immagini che non vedrà mai, a scapito della capacità di riconoscere quelle che vedrà.

Un profilo d'esempio#

Una telecamera rivolta verso il basso sopra un nastro trasportatore smista parti le cui classi differiscono solo per il colore. Il jitter della tonalità va rimosso, mentre i capovolgimenti verticali e le piccole rotazioni diventano realistici. Questa configurazione viene eseguita come mostrato sul set dimostrativo COCO8; sostituisci il file YAML dei dati con il tuo e imposta un numero reale di epoche:

from ultralytics import YOLO

model = YOLO("yolo26n.pt")
model.train(
    data="coco8.yaml",
    epochs=1,
    imgsz=320,
    hsv_h=0.0,  # il colore è il segnale della classe: mantieni le tonalità fedeli
    flipud=0.5,  # vista dall'alto: nel fotogramma non c'è un "alto"
    degrees=10.0,  # i componenti possono trovarsi a qualsiasi angolo ridotto
)

Apri train_batch0.jpg nella cartella dell'esecuzione e verifica tre cose: i riquadri restano precisi dopo la trasformazione, gli indizi che definiscono la classe (colore, forma, testo) restano intatti e nulla appare fisicamente impossibile. Riduci qualsiasi trasformazione che comprometta uno di questi aspetti. Addestra il tuo primo modello spiega l'esecuzione dell'addestramento.

Mosaic e close_mosaic#

Mosaic unisce quattro immagini in una ed è attivo per impostazione predefinita. È l'aumento con il maggiore impatto per il rilevamento: ogni immagine di addestramento racchiude diverse scene, scale e contesti degli oggetti. Il problema è che le immagini Mosaic non assomigliano ai fotogrammi in fase di distribuzione, quindi close_mosaic=10 lo disattiva nelle ultime 10 epoche e il modello termina l'addestramento su input realistici. La disattivazione di Mosaic spegne anche mixup, cutmix e copy_paste, mentre i capovolgimenti, HSV e le trasformazioni geometriche continuano a essere applicati.

Cosa non può correggere l'aumento dei dati#

L'aumento dei dati moltiplica ciò che è già presente. Se il set di dati non contiene immagini notturne, nessuna impostazione genera la notte: produce versioni più chiare e più scure del giorno. Se una classe funziona solo con un aumento aggressivo, non hai abbastanza esempi di quella classe. Torna a Raccogliere dati rappresentativi e di alta qualità.