> 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).
# छवि ऑग्मेंटेशन
Image augmentation एक ऐसा चरण है जिसमें आपके dataset में "Train" के रूप में चिह्नित मौजूदा images पर augmentations लागू की जाती हैं। यह प्रक्रिया आपके model की generalize करने की क्षमता को बेहतर बनाने में मदद कर सकती है और इस प्रकार unseen images पर अधिक प्रभावी ढंग से perform करने में सहायक होती है।
{% hint style="success" %}
हम recommend करते हैं कि 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 model performance की तुलना करने के लिए कोई baseline नहीं होगा।
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 %}
कुछ प्रमुख कारणों से augmentations को training के समय के बजाय dataset version ("offline augmentation") के माध्यम से लागू किया जाता है:
1. **Model reproducibility बढ़ जाती है**. Roboflow के साथ, आपके पास यह copy होती है कि प्रत्येक image को कैसे augmented किया गया था। उदाहरण के लिए, आपको पता चल सकता है कि आपका model dark images की तुलना में bright images पर बेहतर perform करता है, इसलिए आपको अधिक low-light training data इकट्ठा करना चाहिए।
2. **Training time कम हो जाती है**. Augmentations CPU-constrained 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 हर epoch पर augmented data देने के लिए अपने CPU का इंतजार करता रहता है। यह जुड़ता जाता है!
3. **Training costs कम हो जाती हैं**. क्योंकि augmentations CPU-constrained operations हैं, आपका महंगा, किराये का GPU अक्सर training के लिए images मिलने का इंतजार करता रहता है।
## Augmentations कैसे लागू की जाती हैं
Augmentations हमेशा training images पर इसके बाद लागू की जाती हैं [preprocessing steps](/roboflow/roboflow-hi/datasets/dataset-versions/image-preprocessing.md). चुनी गई augmentations को एक साथ stack किया जाता है, augmentation settings के लिए randomization के साथ, और प्रत्येक setting के values को हर augmented image पर लागू किया जाता है। इस प्रक्रिया के दौरान जो भी images duplicates के रूप में दिखाई देती हैं, उन्हें बनाई गई version से filter out 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 reflect किया जाएगा और उस पर random salt and pepper noise लगाया जाएगा।
### Augmentations को सीमित करना
Augmentations के साथ dataset version बनाते समय, आप "Maximum Version Size" option के माध्यम से शामिल की जाने वाली augmented images की अधिकतम संख्या चुन सकते हैं।
उदाहरण के लिए, 3x चुनने का अर्थ है कि आपकी final dataset version में प्रत्येक training source image के साथ [preprocessing steps](/roboflow/roboflow-hi/datasets/dataset-versions/image-preprocessing.md) लागू की जाएगी और आपके द्वारा चुनी गई settings के आधार पर प्रत्येक image की 2 random augmentations शामिल होंगी।
यदि आपके dataset में 70/20/10 के train/valid/test split के साथ 100 images थीं और आपने 3x augmentations चुनीं, तो आपके final dataset में लगभग 210/20/10 split होगा।
{% hint style="info" %}
आपकी version में images की अंतिम संख्या इस अनुमान से छोटी हो सकती है क्योंकि हम images को de-duplicate करते हैं और कुछ options (जैसे "Filter Null") output से images हटा सकते हैं।
{% endhint %}
## Augmentation Options
Roboflow में augmentations या तो "Basic" या "Enhanced" हो सकती हैं और दो अलग-अलग levels पर लागू की जा सकती हैं।
### Image Level Augmentations
Image level augmentations पूरे image पर transformations लागू करके नया training data बनाती हैं, न कि individual objects या regions पर। पूरी image को modify करके, developers visual conditions की एक व्यापक range simulate कर सकते हैं, जिससे models नई data पर बेहतर generalize करना सीखते हैं।
### Bounding Box Level Augmentations
Bounding box level augmentation source image के केवल bounding boxes की content को बदलकर नया training data बनाती है। ऐसा करके, developers को ऐसा training data बनाने पर अधिक control मिलता है जो उनकी problem की conditions के लिए अधिक उपयुक्त हो।
A [2019 का paper](https://arxiv.org/pdf/1906.11172.pdf) Google researchers का एक paper bounding box only augmentation का उपयोग करके अपने models के लिए optimal data बनाने का विचार प्रस्तुत करता है। इस paper में, researchers ने दिखाया कि bounding box only modifications systemic improvements पैदा करते हैं, खासकर उन models के लिए जो small datasets पर fit किए गए थे।
{% hint style="info" %}
Enhanced Augmentations और Bounding Box Augmentations **premium** features हैं।
हमारी plans और उनसे संबंधित features की नवीनतम जानकारी के लिए, हमारी [pricing page](https://roboflow.com/pricing).
{% endhint %}
## Learn More
* [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/)
---
# Agent Instructions
This documentation is published with GitBook. GitBook is the documentation platform designed so that both humans and AI agents can read, navigate, and reason over technical content effectively. Learn more at gitbook.com.
## Querying This Documentation
If you need additional information that is not directly available in this page, you can query the documentation dynamically by asking a question.
Perform an HTTP GET request on the current page URL with the `ask` query parameter, and the optional `goal` query parameter:
```
GET https://docs.roboflow.com/roboflow/roboflow-hi/datasets/dataset-versions/image-augmentation.md?ask=&goal=
```
`ask` is the immediate question: it should be specific, self-contained, and written in natural language.
`goal` is optional and describes the broader end goal you are ultimately trying to accomplish on behalf of the user. GitBook uses it to tailor the answer towards what is most useful for that goal.
The response will contain a direct answer to the question and relevant excerpts and sources from the documentation.
Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.