Veri artırma: eldeki görüntülerden yeni eğitim örnekleri üretmek
Veri artırma, etiketi değişmeyen dönüşümlerle (döndürme, kırpma, ayna, renk değişimi) eldeki örneklerden yeni eğitim örnekleri üretir. Model daha çeşitli veri görür ve aşırı öğrenme azalır.
Bir bakışta
- Veri artırma ek veri toplamadan çeşitlilik sağlar. Mevcut görüntüler küçük dönüşümlerle çoğaltılır, model aynı nesneyi farklı koşullarda görür.
- Dönüşüm etiketi bozmamalıdır. Bir rakamı ya da harfi ayna çevirmek anlamını değiştirebilir; bu yüzden dönüşümler verinin anlamına göre seçilir.
- Yalnızca eğitim verisine uygulanır. Doğrulama ve test setleri gerçek dağılımı yansıtmalı, bu yüzden artırılmaz.
- Aşırı öğrenmeye karşı etkili bir düzenlileştirmedir. Model her epoch'ta biraz farklı görüntüler görür ve ezberlemek zorlaşır.
Veri artırma nedir?
Veri artırma (data augmentation), mevcut eğitim örneklerine küçük, anlamı koruyan değişiklikler uygulayarak yapay olarak yeni örnekler üretme tekniğidir. Bir kedi fotoğrafı biraz döndürülür, kırpılır, aynalanır ya da parlaklığı değiştirilir; sonuç hâlâ bir kedidir ama model için yeni bir örnektir.
Bunun nedeni, derin öğrenme modellerinin çok veriye ihtiyaç duyması ve etiketli görüntü toplamanın pahalı olmasıdır. Az veriyle eğitilen model eğitim örneklerini ezberler. Artırma, aynı veriden daha çeşitli bir görünüm üreterek modeli konumdan, ışıktan, açıdan bağımsız özellikleri öğrenmeye zorlar. Kısıtlı veriyle önceden eğitilmiş bir modeli uyarlama durumunda da sık kullanılır; transfer öğrenme ile birlikte en yaygın ikili budur.
Dönüşüm, etiketi koruduğu sürece işe yarar
Görüntülerde yaygın teknikler
Geometrik dönüşümler en yaygın gruptur. Döndürme, yatay ya da dikey ayna, kırpma, ölçekleme, kaydırma ve eğme nesnenin konumu ve görünümü ile ilgili değişiklik üretir. Rastgele kırpma, modelin nesnenin yalnızca bir bölümünü görse de tanımasını sağlar.
Renk ve görünüm dönüşümleri ise parlaklık, kontrast, doygunluk, bulanıklık ve gürültü ekleme gibi işlemlerdir; farklı kamera ve ışık koşullarına dayanıklılık kazandırır. Gelişmiş teknikler arasında görüntünün bir bölgesini silmek (cutout), iki görüntüyü karıştırmak (mixup) ve görüntü parçalarını birleştirmek (cutmix) gibi yaklaşımlar vardır. Bu gelişmiş yöntemlerde etiketler de karışımla orantılı olarak ayarlanır.
Hangi dönüşüm hangi problemde seçilir?
Seçim, nesnenin gerçek hayatta nasıl göründüğüne bağlıdır. Uydu görüntüsünde ya da mikroskopta yön önemli değildir, bu yüzden her yönde döndürme ve ayna güvenlidir. Yol işaretlerinde ya da yazılı belgede ise ayna çevirmek anlamı değiştirebilir.
Amaç, modelin canlıda karşılaşacağı değişkenliği eğitim verisine yansıtmaktır. Üretim hattındaki bir kamera sabit açıdan bakıyorsa büyük döndürmeler gereksizdir; ışık değişken ise parlaklık ve kontrast oynatmak faydalıdır.
Dönüşüm, sahadaki değişkenliği taklit etmelidir
- Nesnenin yönü anlamsız (uydu, mikroskop)Döndürme ve aynaHer yöne dönüşüm güvenlidir.
- Işık ve kamera koşulları değişkenParlaklık, kontrast, renkFarklı ortamlara dayanıklılık verir.
- Nesne kadrajda farklı konumlardaKırpma, kaydırma, ölçeklemeKonum bağımsızlığı kazandırır.
- Yazı, rakam ya da yön bilgisi varAyna çevirmeden kaçınEtiketi bozabilir.
Küçük bir örnek: fabrikada kusur tespiti
Bir üretim tesisi, parçalardaki çizikleri görüntüden tespit eden bir model eğitmek istiyor. Kusurlu parça görüntüsü çok az. Ekip kusurlu görüntüleri hafifçe döndürüyor, kırpıyor, parlaklığını oynatıyor ve hafif gürültü ekliyor. Model aynı çiziği farklı konum ve ışık koşullarında görüyor, böylece sahadaki küçük değişikliklere takılmıyor.
Burada dikkat edilen nokta, dönüşümün çiziği silmemesidir: agresif bir kırpma kusurlu bölgeyi dışarıda bırakabilir ve görüntü etiketiyle çelişir. Bu yüzden artırılmış örnekler eğitim öncesinde gözle kontrol edilir.
Sık yapılan hatalar
En sık hata, artırmayı doğrulama ve test setine de uygulamaktır; bu, değerlendirmeyi gerçek dağılımdan uzaklaştırır. Bir diğeri, aynı kaynak görüntüden türeyen kopyaları eğitim ve doğrulama arasında dağıtmaktır: bu bir veri sızıntısıdır ve sonucu iyimser gösterir. Bölme, artırmadan önce yapılmalıdır.
Aşırı agresif dönüşümler de zarar verir: model gerçekçi olmayan görüntülere uyum sağlamaya çalışır. Nesne tespiti ve segmentasyonda ise görüntüyle birlikte kutu ve maske etiketlerinin de aynı dönüşümle güncellenmesi gerekir; aksi halde etiketler yanlış yeri gösterir.
Mindset programlarında veri artırma
Bilgisayarlı Görü (Computer Vision) Programı'nın transfer öğrenme ve veri artırma modülü, bu tekniklerin az veriyle çalışan görüntü modellerinde nasıl kullanıldığını uygulamalı görmek için uygundur. Görüntü verisiyle çalışan ekipler için etiketli veri kıtlığının en pratik çözümlerinden biridir.
İlgili Mindset programı
Bilgisayarlı Görü (Computer Vision) Programı
Sık sorulan sorular
Veri artırma gerçek veri toplamanın yerini tutar mı?
Hayır. Artırma, mevcut örneklerin çeşitliliğini yapay olarak artırır ama ortada olmayan yeni bilgiyi üretmez. Gerçek veride hiç görülmeyen bir durumu artırma ile elde edemezsiniz. İyi bir veri kümesi, artırma ile birlikte kullanıldığında en güçlü etkiyi verir.
Artırma ne zaman uygulanmalı: önce mi, bölmeden sonra mı?
Bölmeden sonra, yalnızca eğitim setine. Önce artırıp sonra bölerseniz aynı görüntünün türevleri hem eğitim hem doğrulamada yer alır ve sonuçlar yapay biçimde iyi görünür. Önce veriyi eğitim, doğrulama ve test olarak ayırın, sonra eğitim kısmına dönüşüm ekleyin.
Veri artırma metin ve tablo verisinde de olur mu?
Evet ama yöntemler farklıdır. Metinde eş anlamlı sözcük değiştirme ya da geri çeviri, tablo verisinde sınıf dengesizliğine karşı sentetik örnek üretme gibi yaklaşımlar kullanılır. Ancak en yaygın ve en olgun uygulaması görüntü verisindedir.
Artırılmış veri eğitim süresini uzatır mı?
Dönüşümler eğitim sırasında anlık uygulanırsa depolama artmaz, ama her yığın için küçük bir hesap maliyeti eklenir. Modelin çeşitli görüntülere uyum sağlaması genellikle daha çok epoch gerektirir. Bu bedel çoğunlukla genelleme kazancıyla dengelenir.