> For the complete documentation index, see [llms.txt](https://docs.roboflow.com/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://docs.roboflow.com/datasets/hi/versions/dataset-versions/image-augmentation.md).
# छवि ऑग्मेंटेशन
इमेज ऑग्मेंटेशन एक ऐसा चरण है जिसमें आपके डेटासेट में "Train" के रूप में चिह्नित मौजूदा छवियों पर ऑग्मेंटेशन लागू किए जाते हैं। यह प्रक्रिया आपके मॉडल की सामान्यीकरण क्षमता को बेहतर बनाने में मदद कर सकती है और इस प्रकार अनदेखी छवियों पर अधिक प्रभावी ढंग से प्रदर्शन कर सकती है।
{% hint style="success" %}
हम अनुशंसा करते हैं कि आप बिना किसी ऑग्मेंटेशन के एक प्रोजेक्ट शुरू करें। इससे आप अपने कच्चे डेटासेट की गुणवत्ता का मूल्यांकन कर सकते हैं। यदि आप ऑग्मेंटेशन जोड़ते हैं और आपका डेटासेट अपेक्षा के अनुसार अच्छा प्रदर्शन नहीं करता, तो आपके पास मॉडल के प्रदर्शन की तुलना करने के लिए कोई बेसलाइन नहीं होगी।
यदि आपका मॉडल बिना ऑग्मेंटेशन के अच्छा प्रदर्शन नहीं करता, तो आपको क्लास संतुलन, डेटा प्रतिनिधित्व, और डेटासेट आकार की जाँच करनी पड़ सकती है। जब आपके पास ऐसा डेटासेट हो जिस पर आपने बिना ऑग्मेंटेशन के सफलतापूर्वक एक मॉडल प्रशिक्षित किया हो, तब आप मॉडल के प्रदर्शन को और बेहतर बनाने में मदद के लिए ऑग्मेंटेशन जोड़ सकते हैं।
{% endhint %}
कुछ प्रमुख कारणों से ऑग्मेंटेशन प्रशिक्षण के समय के बजाय डेटासेट संस्करण ("ऑफ़लाइन ऑग्मेंटेशन") के माध्यम से लागू किए जाते हैं:
1. **मॉडल की पुनरुत्पादकता बढ़ती है**. Roboflow के साथ, आपके पास यह प्रतिलिपि होती है कि प्रत्येक छवि पर कैसे ऑग्मेंटेशन किया गया। उदाहरण के लिए, आपको पता चल सकता है कि आपका मॉडल गहरी छवियों की तुलना में उजली छवियों पर बेहतर प्रदर्शन करता है, इसलिए आपको अधिक कम-प्रकाश प्रशिक्षण डेटा एकत्र करना चाहिए।
2. **प्रशिक्षण समय कम हो जाता है**. ऑग्मेंटेशन CPU-सीमित ऑपरेशन हैं। जब आप अपने GPU पर प्रशिक्षण कर रहे होते हैं और ऑग्मेंटेशन ऑन-द-फ्लाई करते हैं, तो आपका GPU अक्सर हर epoch पर ऑग्मेंटेड डेटा उपलब्ध कराने के लिए CPU का इंतज़ार करता रहता है। यह काफी बढ़ जाता है!
3. **प्रशिक्षण लागत कम हो जाती है**. क्योंकि ऑग्मेंटेशन CPU-सीमित ऑपरेशन हैं, आपका महंगा, किराए पर लिया गया GPU अक्सर प्रशिक्षण के लिए छवियाँ मिलने का इंतज़ार करता रहता है।
## ऑग्मेंटेशन कैसे लागू किए जाते हैं
ऑग्मेंटेशन हमेशा प्रशिक्षण छवियों पर बाद में लागू किए जाते हैं [प्रीप्रोसेसिंग चरण](/datasets/hi/versions/dataset-versions/image-preprocessing.md). चयनित ऑग्मेंटेशन को एक साथ स्टैक किया जाता है, जिसमें ऑग्मेंटेशन सेटिंग्स और प्रत्येक सेटिंग के मानों को यादृच्छिक बनाया जाता है, और इन्हें प्रत्येक ऑग्मेंटेड छवि पर लागू किया जाता है। इस प्रक्रिया के दौरान डुप्लिकेट के रूप में दिखाई देने वाली किसी भी छवि को बनाए गए संस्करण से फ़िल्टर कर दिया जाता है।
उदाहरण के लिए, यदि आप “क्षैतिज रूप से पलटना” और “सॉल्ट-एंड-पेपर शोर” ऑग्मेंटेशन चुनते हैं, तो किसी दी गई छवि को यादृच्छिक रूप से क्षैतिज रूप से पलटा जाएगा और उस पर यादृच्छिक सॉल्ट-एंड-पेपर शोर जोड़ा जाएगा।
### ऑग्मेंटेशन सीमित करना
ऑग्मेंटेशन के साथ डेटासेट संस्करण बनाते समय, आप "Maximum Version Size" विकल्प के माध्यम से शामिल की जाने वाली ऑग्मेंटेड छवियों की अधिकतम संख्या चुन सकते हैं।
उदाहरण के लिए, 3x चुनने का अर्थ है कि आपके अंतिम डेटासेट संस्करण में प्रत्येक प्रशिक्षण स्रोत छवि के साथ [प्रीप्रोसेसिंग चरण](/datasets/hi/versions/dataset-versions/image-preprocessing.md) लागू किए गए होंगे, और आपके द्वारा चुनी गई सेटिंग्स के आधार पर प्रत्येक छवि के 2 यादृच्छिक ऑग्मेंटेशन होंगे।
यदि आपके डेटासेट में 70/20/10 के train/valid/test विभाजन के साथ 100 छवियाँ होतीं और आपने 3x ऑग्मेंटेशन चुना होता, तो आपके अंतिम डेटासेट में लगभग 210/20/10 का विभाजन होता।
{% hint style="info" %}
आपके संस्करण में छवियों की अंतिम संख्या इस अनुमान से कम हो सकती है, क्योंकि हम छवियों को डुप्लिकेट-मुक्त करते हैं और कुछ विकल्प (जैसे "Filter Null") आउटपुट से छवियों को हटा सकते हैं।
{% endhint %}
## ऑग्मेंटेशन विकल्प
Roboflow में ऑग्मेंटेशन या तो "Basic" या "Enhanced" हो सकते हैं और इन्हें दो अलग-अलग स्तरों पर लागू किया जा सकता है।
### छवि-स्तर ऑग्मेंटेशन
छवि-स्तर ऑग्मेंटेशन पूरे चित्र पर रूपांतरण लागू करके नया प्रशिक्षण डेटा बनाते हैं, न कि अलग-अलग ऑब्जेक्ट्स या क्षेत्रों पर। पूरी छवि को संशोधित करके, डेवलपर्स दृश्य स्थितियों की एक व्यापक श्रेणी का अनुकरण कर सकते हैं, जिससे मॉडल नई डेटा पर बेहतर सामान्यीकरण करना सीखते हैं।
### बाउंडिंग बॉक्स-स्तर ऑग्मेंटेशन
बाउंडिंग बॉक्स-स्तर ऑग्मेंटेशन केवल स्रोत छवि के बाउंडिंग बॉक्स की सामग्री को बदलकर नया प्रशिक्षण डेटा बनाता है। ऐसा करके, डेवलपर्स के पास अपनी समस्या की परिस्थितियों के लिए अधिक उपयुक्त प्रशिक्षण डेटा बनाने पर अधिक नियंत्रण होता है।
एक [2019 का शोधपत्र](https://arxiv.org/pdf/1906.11172.pdf) Google के शोधकर्ताओं द्वारा प्रस्तुत यह 2019 का शोधपत्र अपने मॉडलों के लिए सर्वोत्तम डेटा बनाने हेतु केवल बाउंडिंग बॉक्स ऑग्मेंटेशन के उपयोग का विचार प्रस्तुत करता है। इस शोधपत्र में, शोधकर्ताओं ने दिखाया कि केवल बाउंडिंग बॉक्स संशोधन प्रणालीगत सुधार उत्पन्न करते हैं, विशेष रूप से उन मॉडलों के लिए जो छोटे डेटासेट पर फिट किए गए थे।
{% hint style="info" %}
Enhanced ऑग्मेंटेशन और Bounding Box ऑग्मेंटेशन **प्रीमियम** विशेषताएँ हैं।
हमारी योजनाओं और उनसे संबंधित विशेषताओं की नवीनतम जानकारी के लिए, देखें हमारा [मूल्य निर्धारण पृष्ठ](https://roboflow.com/pricing).
{% endhint %}
## और जानें
* [डेटा ऑग्मेंटेशन के लिए अंतिम मार्गदर्शिका](https://blog.roboflow.com/data-augmentation/)
* [ऑब्जेक्ट डिटेक्शन के लिए छवियों को ऑग्मेंट कैसे करें](https://blog.roboflow.com/object-detection-augmentation/)