> 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/roboflow/roboflow-hi/datasets/dataset-versions/image-augmentation.md).
# Image Augmentation
Image augmentation वह चरण है जिसमें आपके dataset में "Train" के रूप में चिह्नित मौजूदा images पर augmentations लागू किए जाते हैं। यह प्रक्रिया आपके model की generalize करने की क्षमता को बेहतर बनाने में मदद कर सकती है और इस तरह अनदेखी images पर अधिक प्रभावी ढंग से काम करने में सहायक होती है।
{% hint style="success" %}
हम recommend करते हैं कि आप project की शुरुआत बिना किसी augmentations के करें। इससे आप अपने raw dataset की quality का मूल्यांकन कर सकते हैं। यदि आप augmentations जोड़ते हैं और आपका dataset अपेक्षा के अनुसार perform नहीं करता, तो आपके पास तुलना करने के लिए कोई baseline नहीं होगा जिससे आप model performance की तुलना कर सकें।
यदि आपका model बिना augmentations के अच्छा perform नहीं करता, तो आपको class balance, data representation, और dataset size की जांच करनी पड़ सकती है। जब आपके पास ऐसा dataset हो जिस पर आपने बिना augmentations के सफलतापूर्वक model train किया हो, तब आप model performance को और बेहतर बनाने में मदद के लिए augmentations जोड़ सकते हैं।
{% endhint %}
Augmentations को training के समय के बजाय dataset version ("offline augmentation") के माध्यम से कुछ प्रमुख कारणों से लागू किया जाता है:
1. **Model reproducibility बढ़ती है**. Roboflow के साथ, आपके पास इस बात की एक copy होती है कि प्रत्येक image को कैसे augmented किया गया था। उदाहरण के लिए, आपको लग सकता है कि आपका model गहरी images की तुलना में उजली images पर बेहतर perform करता है, इसलिए आपको अधिक low-light training data इकट्ठा करना चाहिए।
2. **Training time कम हो जाता है**. Augmentations CPU-सीमित operations हैं। जब आप अपने GPU पर training कर रहे होते हैं और on-the-fly augmentations कर रहे होते हैं, तो आपका GPU अक्सर प्रत्येक epoch पर augmented data उपलब्ध कराने के लिए अपने CPU का इंतज़ार कर रहा होता है। यह समय के साथ बढ़ता जाता है!
3. **Training costs कम हो जाती हैं**. क्योंकि augmentations CPU-सीमित operations हैं, आपका महंगा, किराये का GPU अक्सर training के लिए images मिलने का इंतज़ार करता रहता है।
## Augmentations कैसे लागू किए जाते हैं
Augmentations हमेशा training images पर इसके बाद लागू किए जाते हैं [preprocessing steps](/roboflow/roboflow-hi/datasets/dataset-versions/image-preprocessing.md). चुने गए augmentations को एक साथ जोड़ा जाता है, augmentation settings और प्रत्येक setting के मानों के लिए randomization के साथ, और प्रत्येक augmented image पर लागू किया जाता है। इस प्रक्रिया के दौरान जो भी images डुप्लिकेट के रूप में दिखाई देती हैं, उन्हें बनाए गए version से फ़िल्टर कर दिया जाता है।
उदाहरण के लिए, यदि आप “flip horizontally” और “salt and pepper noise” augmentations चुनते हैं, तो किसी दी गई image को यादृच्छिक रूप से horizontal flip के रूप में प्रतिबिंबित किया जाएगा और उस पर यादृच्छिक salt and pepper noise लगाया जाएगा।
### Augmentations सीमित करना
Augmentations के साथ dataset version बनाते समय, आप "Maximum Version Size" विकल्प के माध्यम से शामिल की जाने वाली augmented images की अधिकतम संख्या चुन सकते हैं।
उदाहरण के लिए, 3x चुनने का मतलब है कि आपका अंतिम dataset version प्रत्येक training source image के साथ [preprocessing steps](/roboflow/roboflow-hi/datasets/dataset-versions/image-preprocessing.md) लागू किए गए और आपके द्वारा चुनी गई settings के आधार पर प्रत्येक image के 2 random augmentations।
यदि आपके dataset में 100 images थीं, train/valid/test split 70/20/10 था, और आपने 3x augmentations चुने, तो आपके final dataset में लगभग 210/20/10 split होगा।
{% hint style="info" %}
आपके version में images की अंतिम संख्या इस अनुमान से कम हो सकती है, क्योंकि हम images को de-duplicate करते हैं और कुछ विकल्प (जैसे "Filter Null") output से images हटा सकते हैं।
{% endhint %}
## Augmentation विकल्प
Roboflow में augmentations "Basic" या "Enhanced" हो सकते हैं और इन्हें दो अलग-अलग levels पर लागू किया जा सकता है।
### Image-स्तर ऑगमेंटेशन
Image-स्तर ऑगमेंटेशन पूरे image पर transformations लागू करके नया training data बनाते हैं, न कि individual objects या regions पर। पूरी image में बदलाव करके, developers visual conditions की एक व्यापक श्रेणी का अनुकरण कर सकते हैं, जिससे models नए data पर बेहतर generalize करना सीखते हैं।
### Bounding Box-स्तर ऑगमेंटेशन
Bounding box level augmentation केवल source image के bounding boxes की content को बदलकर नया training data बनाता है। ऐसा करने से developers को ऐसा training data बनाने पर अधिक control मिलता है जो उनकी problem की conditions के लिए अधिक उपयुक्त हो।
एक [2019 का paper](https://arxiv.org/pdf/1906.11172.pdf) Google के researchers का यह paper bounding box-only augmentation का उपयोग करके उनके models के लिए optimal data बनाने का विचार प्रस्तुत करता है। इस paper में, researchers ने दिखाया कि केवल bounding box modifications system-wide improvements लाते हैं, खासकर उन models के लिए जो छोटे datasets पर fit किए गए थे।
{% hint style="info" %}
Enhanced Augmentations और Bounding Box Augmentations **प्रीमियम** फीचर्स।
हमारी plans और उनसे संबद्ध features की नवीनतम जानकारी के लिए, हमारी [मूल्य निर्धारण पेज](https://roboflow.com/pricing).
{% endhint %}
## और जानें
* [Data Augmentation के लिए Ultimate Guide](https://blog.roboflow.com/data-augmentation/)
* [Object Detection के लिए Images को Augment कैसे करें](https://blog.roboflow.com/object-detection-augmentation/)