Artırmayı Dikkatli Kullan

Artırma ne işe yarar?#

Veri artırma, eğitim görsellerini anlık olarak dönüştürür; böylece model her epoch'ta her görselin biraz farklı bir sürümünü görür. Doğru uygulandığında ışıklandırma, ölçek ve yön değişikliklerine karşı dayanıklılığı artırır ve aşırı öğrenmeyi azaltır; çünkü sürekli değişen görselleri model ezberleyemez. Yanlış uygulandığında ise fiziksel olarak olanaksız sahneler öğretir ve gidermen gereken veri kümesi eksiklerini gizler.

Yukarıdaki ton paneline bak: kırmızı ara papağan sarıya dönüyor. "Ara papağan mı, değil mi?" ayrımı için bu zararsızdır; ancak sınıflarından ikisini ayıran özellik renkse zararlıdır.

Önemli varsayılanlar#

Bunlar Ultralytics 8.4'ün varsayılanlarıdır; artırma ayarları başvuru kaynağında tüm argümanlar listelenir:

Derinlik veri kümeleri istisnadır: mosaic, mixup, cutmix ve copy_paste eşleştirilmiş derinlik haritalarını geçersiz kılacağından, derinlik yükleyicisi bunları otomatik olarak 0'a ayarlar.

Dağıtım testi#

Etkinleştirilen her dönüşüm önce bir soruyu, ardından ikinci bir soruyu geçmeli:

Baş aşağı duran bir ara papağan, doğrudan aşağıya bakan bir drone için iyi bir eğitim görüntüsüdür; duvara sabitlenmiş bir kamera içinse boşa harcanmış olur. Bu testi geçemeyen dönüşümler olumsuz eğitim sinyali üretir: model, kapasitesini asla görmeyeceği görüntüleri tanımaya harcarken göreceği görüntüler için daha az kapasiteye sahip olur.

Örnek bir profil#

Konveyörün üzerindeki üstten bakan bir kamera, sınıfları yalnızca renkleriyle ayrılan parçaları ayırıyor. Ton jitter'ı kaldırılmalı; dikey çevirmeler ve küçük döndürmeler ise gerçekçi hâle geliyor. Bu, COCO8 demo kümesinde gösterildiği gibi çalışır; kendi veri YAML dosyanı ve gerçek bir epoch sayısını kullan:

from ultralytics import YOLO

model = YOLO("yolo26n.pt")
model.train(
    data="coco8.yaml",
    epochs=1,
    imgsz=320,
    hsv_h=0.0,  # renk sınıfı belirtir: tonları olduğu gibi koru
    flipud=0.5,  # tepeden görünüm: karede "yukarı" yok
    degrees=10.0,  # parçalar her küçük açıda yer alabilir
)

Çalıştırma klasöründeki train_batch0.jpg dosyasını aç ve üç şeyi kontrol et: dönüşümden sonra kutular sıkı biçimde nesneleri çevreliyor mu, sınıfı belirleyen ipuçları (renk, şekil, metin) korunuyor mu ve fiziksel olarak imkânsız görünen bir şey var mı. Bunlardan birini bozan her dönüşümün etkisini azalt. İlk Modelini Eğit, eğitim çalıştırmasının kendisini ele alıyor.

Mozaik ve close_mosaic#

Mozaik, dört görüntüyü tek bir görüntüde birleştirir ve varsayılan olarak açıktır. Nesne tespiti için en etkili artırımdır: her eğitim görüntüsü birden fazla sahne, ölçek ve nesne bağlamı içerir. Ancak mozaik görüntüler dağıtım sırasındaki karelere benzemez; bu nedenle close_mosaic=10 mozaik özelliğini son 10 epoch boyunca kapatır ve modelin eğitimini gerçekçi girdilerle tamamlamasını sağlar. Mozaik kapatıldığında mixup, cutmix ve copy_paste da kapanır; çevirmeler, HSV ve geometrik dönüşümler ise çalışmaya devam eder.

Artırımın düzeltemeyeceği şeyler#

Artırım, mevcut olanı çoğaltan bir etkendir. Veri kümesinde gece görüntüleri yoksa hiçbir ayar gece görüntüsü üretemez; yalnızca gündüz görüntülerinin daha aydınlık ve daha karanlık sürümlerini üretir. Bir sınıf yalnızca yoğun artırımla işe yarıyorsa o sınıftan yeterince örneğin yoktur. Yüksek Kaliteli ve Temsili Veri Topla adımına geri dön.