इमेज ऑग्मेंटेशन
मॉडल प्रदर्शन सुधारने के लिए ऑग्मेंटेड इमेजेज़ बनाएं।
छवि 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 उसे अनदेखी छवियों पर अधिक प्रभावी ढंग से प्रदर्शन करने में सक्षम बनाती है।
हम किसी भी ऑग्मेंटेशन के बिना प्रोजेक्ट शुरू करने की अनुशंसा करते हैं। 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 आधार-रेखा नहीं होगी।
यदि आपका मॉडल ऑग्मेंटेशन के बिना अच्छा प्रदर्शन नहीं करता है, 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 मॉडल प्रशिक्षित किया हो, तब आप मॉडल के प्रदर्शन को और बेहतर बनाने में सहायता के लिए ऑग्मेंटेशन जोड़ सकते हैं।
कुछ प्रमुख कारणों से ऑग्मेंटेशन प्रशिक्षण के समय के बजाय डेटासेट संस्करण ("ऑफलाइन ऑग्मेंटेशन") के माध्यम से लागू किए जाते हैं:
मॉडल की पुनरुत्पादकता बढ़ती है। Roboflow के साथ, आपके पास यह प्रति 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-रोशनी वाला प्रशिक्षण डेटा एकत्र करना चाहिए।
प्रशिक्षण समय घटता है। ऑग्मेंटेशन CPU-सीमित कार्य हैं। जब आप अपने GPU पर प्रशिक्षण कर रहे होते हैं और ऑन-द-फ्लाई ऑग्मेंटेशन कर रहे होते हैं, तब आपका GPU अक्सर हर epoch पर ऑग्मेंटेड डेटा उपलब्ध कराने के लिए आपके CPU की प्रतीक्षा कर रहा होता है। यह समय के साथ बढ़ता जाता है!
प्रशिक्षण लागत घटती है। क्योंकि ऑग्मेंटेशन CPU-सीमित कार्य हैं, आपका महँगा, किराये का GPU अक्सर प्रशिक्षण के लिए छवियाँ मिलने की प्रतीक्षा में रहता है।
ऑग्मेंटेशन कैसे लागू किए जाते हैं
ऑग्मेंटेशन हमेशा प्रशिक्षण छवियों पर लागू किए जाते हैं, इसके बाद पूर्व-प्रसंस्करण चरण। चुने गए ऑग्मेंटेशन एक साथ जोड़े जाते हैं, ऑग्मेंटेशन सेटिंग्स के लिए यादृच्छिकीकरण के साथ, और प्रत्येक सेटिंग के मान प्रत्येक ऑग्मेंटेड छवि पर लागू किए जाते हैं। इस प्रक्रिया के दौरान जो भी छवियाँ डुप्लिकेट के रूप में दिखाई देती हैं, उन्हें बनाई गई संस्करण से फ़िल्टर कर दिया जाता है।
उदाहरण के लिए, यदि आप “क्षैतिज रूप से फ़्लिप करें” और “सॉल्ट एंड पेपर शोर” के लिए ऑग्मेंटेशन चुनते हैं, तो कोई दी गई छवि यादृच्छिक रूप से क्षैतिज फ़्लिप के रूप में प्रतिबिंबित होगी और उसे यादृच्छिक सॉल्ट एंड पेपर शोर मिलेगा।
ऑग्मेंटेशन सीमित करना
ऑग्मेंटेशन के साथ डेटासेट संस्करण बनाते समय, आप "Maximum Version Size" विकल्प के माध्यम से शामिल किए जाने वाले 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 शामिल होगी पूर्व-प्रसंस्करण चरण लागू किया गया होगा और आपके द्वारा चुनी गई सेटिंग्स के आधार पर प्रत्येक छवि के 2 यादृच्छिक ऑग्मेंटेशन होंगे।
यदि आपके डेटासेट में 100 छवियाँ थीं और train/valid/test विभाजन 70/20/10 था, तथा आपने 3x ऑग्मेंटेशन चुने, तो आपके अंतिम डेटासेट में लगभग 210/20/10 विभाजन होगा।
आपके संस्करण में छवियों की अंतिम संख्या इस अनुमान से छोटी हो सकती है क्योंकि हम छवियों को डुप्लिकेट-मुक्त करते हैं और कुछ विकल्प (जैसे "Filter Null") आउटपुट से छवियों को हटा सकते हैं।
आपकी योजना वह उच्चतम गुणक निर्धारित करती है जिसे आप चुन सकते हैं। वेब ऐप केवल वही मान प्रदान करता है जिनकी आपकी योजना अनुमति देती है, और यदि आप उससे अधिक माँगते हैं, तो API या Python SDK के माध्यम से संस्करण बनाना विफल हो जाता है। देखें मूल्य निर्धारण पृष्ठ प्रत्येक योजना की सीमा के लिए।
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 परिवर्तन लागू करके नया प्रशिक्षण डेटा बनाते हैं, न कि व्यक्तिगत ऑब्जेक्ट्स या क्षेत्रों पर। पूरे चित्र को संशोधित करके, डेवलपर दृश्य स्थितियों की एक व्यापक श्रृंखला का अनुकरण कर सकते हैं, जिससे मॉडल नए डेटा पर बेहतर ढंग से सामान्यीकरण करना सीखते हैं।
बाउंडिंग बॉक्स-स्तर ऑग्मेंटेशन
बाउंडिंग बॉक्स-स्तर ऑग्मेंटेशन स्रोत छवि के बाउंडिंग बॉक्स की सामग्री को ही बदलकर नया प्रशिक्षण डेटा बनाता है। ऐसा करके, डेवलपर प्रशिक्षण डेटा बनाने पर अधिक नियंत्रण प्राप्त करते हैं, जो उनकी समस्या की स्थितियों के लिए अधिक उपयुक्त होता है।
एक 2019 के पेपर में Google शोधकर्ताओं ने अपने मॉडलों के लिए इष्टतम डेटा बनाने हेतु केवल बाउंडिंग बॉक्स ऑग्मेंटेशन का उपयोग करने का विचार प्रस्तुत किया। इस पेपर में, शोधकर्ताओं ने दिखाया कि केवल बाउंडिंग बॉक्स संशोधन प्रणालीगत सुधार लाते हैं, विशेष रूप से उन मॉडलों के लिए जिन्हें छोटे डेटासेट पर प्रशिक्षित किया गया था।
Enhanced ऑग्मेंटेशन और Bounding Box ऑग्मेंटेशन प्रीमियम विशेषताएँ हैं।
हमारी योजनाओं और उनसे जुड़ी विशेषताओं की अद्यतन जानकारी के लिए, देखें हमारी मूल्य निर्धारण पृष्ठ.
और जानें
अंतिम अपडेट
क्या यह उपयोगी था?