Aumento de datos

El aumento de datos es una técnica utilizada en el aprendizaje automático para aumentar artificialmente el tamaño de un conjunto de datos de entrenamiento creando versiones modificadas de los datos existentes. Esta técnica ayuda a mejorar el rendimiento y la capacidad de generalización de los modelos de aprendizaje automático, especialmente cuando el conjunto de datos original es limitado. Al exponer el modelo a una mayor variedad de puntos de datos, el aumento de datos ayuda a evitar el sobreajuste, en el que un modelo se especializa demasiado en los datos de entrenamiento y tiene un rendimiento deficiente en los datos no vistos.

Relevancia e Importancia del Aumento de Datos

El aumento de datos es especialmente valioso en las tareas de visión por ordenador, en las que recopilar y etiquetar grandes conjuntos de datos puede resultar caro y llevar mucho tiempo. Por ejemplo, en la detección de objetos, un modelo entrenado con un conjunto de datos limitado puede tener dificultades para reconocer objetos en diferentes condiciones de iluminación, orientaciones o escalas. Al aplicar aumentos como rotaciones, giros, recortes y ajustes de color, el modelo se expone a una gama más amplia de escenarios, lo que lo hace más robusto y preciso en las aplicaciones del mundo real. El aumento de datos también puede utilizarse para resolver problemas de desequilibrio de clases, en los que ciertas clases del conjunto de datos tienen muchas menos muestras que otras. Aumentando selectivamente los datos de las clases infrarrepresentadas, el modelo puede aprender una representación más equilibrada de los datos. Más información sobre la recopilación y anotación de datos para proyectos de visión por ordenador.

Técnicas habituales de aumento de datos

En la visión por ordenador se suelen utilizar varias técnicas para aumentar los datos, entre ellas:

• Transformaciones geométricas: Consisten en alterar las propiedades espaciales de las imágenes, como:
  • Rotación: Girar una imagen un ángulo determinado.
  • Voltear: Voltear horizontal o verticalmente una imagen.
  • Escalar: Ampliar o reducir una imagen.
  • Recortar: Extraer una parte de una imagen.
  • Traslación: Desplazar una imagen horizontal o verticalmente.
• Transformaciones del espacio de color: Consisten en modificar las propiedades cromáticas de las imágenes, por ejemplo:
  • Ajuste del brillo: Aumentar o disminuir el brillo general de una imagen.
  • Ajuste del Contraste: Aumentar o disminuir la diferencia entre las partes más oscuras y más claras de una imagen.
  • Ajuste de la saturación: Aumentar o disminuir la intensidad de los colores de una imagen.
  • Ajuste del matiz: Desplazamiento de los colores de una imagen a lo largo del espectro cromático.
• Inyección de ruido: Añadir ruido aleatorio a una imagen, lo que puede ayudar al modelo a ser más resistente a las variaciones en la calidad de la imagen.
• Filtros de núcleo: Aplicar filtros a una imagen, como desenfoque o nitidez, para simular distintas condiciones de captura de la imagen.

Aumento de datos en aplicaciones del mundo real

El aumento de datos se utiliza ampliamente en diversas aplicaciones de IA/ML del mundo real. He aquí dos ejemplos concretos:

1. Análisis de imágenes médicas: En imágenes médicas, obtener grandes conjuntos de datos etiquetados puede ser un reto debido a la preocupación por la privacidad y a la necesidad de anotaciones de expertos. Las técnicas de aumento de datos se utilizan para aumentar el tamaño y la diversidad de los conjuntos de datos de imágenes médicas, mejorando el rendimiento de los modelos para tareas como la detección de tumores, la segmentación de lesiones y la clasificación de enfermedades. Por ejemplo, en un conjunto de datos de detección de tumores cerebrales, aplicar rotaciones, giros y pequeñas traslaciones a resonancias magnéticas o tomografías existentes puede ayudar al modelo a aprender a identificar tumores independientemente de su orientación o posición dentro del cerebro. Explora la IA en la sanidad para obtener más información.
2. Conducción autónoma: Los coches de conducción autónoma dependen en gran medida de modelos de visión por ordenador para percibir su entorno, incluida la detección de peatones, vehículos y señales de tráfico. El aumento de datos desempeña un papel crucial en el entrenamiento de estos modelos para que sean robustos ante diversas condiciones del mundo real. Por ejemplo, al aumentar las imágenes de entrenamiento con diferentes condiciones de iluminación, condiciones meteorológicas (por ejemplo, lluvia, nieve, niebla) y oclusiones, los modelos pueden aprender a detectar objetos con precisión en escenarios difíciles, mejorando la seguridad y la fiabilidad de los sistemas de conducción autónoma. Más información sobre la IA en los coches autónomos.

Aumento de datos y conceptos relacionados

El aumento de datos está estrechamente relacionado con otros conceptos importantes del aprendizaje automático:

• Sobreajuste: El aumento de datos es una potente técnica para mitigar la sobreadaptación, cuando un modelo funciona bien con los datos de entrenamiento, pero mal con los datos desconocidos. Al aumentar la diversidad del conjunto de entrenamiento, la ampliación ayuda al modelo a generalizar mejor con ejemplos nuevos y desconocidos. Esto contrasta con la inadaptación, cuando un modelo es demasiado simple para captar los patrones subyacentes en los datos.
• Regularización: El aumento de datos puede considerarse una forma de regularización, ya que introduce restricciones que impiden que el modelo se vuelva excesivamente complejo y se ajuste demasiado a los datos de entrenamiento. Otras técnicas de regularización son la regularización L1 y L2, que añaden penalizaciones a la función de pérdida del modelo basadas en la magnitud de sus pesos.
• Aprendizaje por transferencia: El aumento de datos puede ser especialmente eficaz cuando se combina con el aprendizaje por transferencia, en el que un modelo preentrenado en un gran conjunto de datos (por ejemplo, ImageNet) se ajusta en un conjunto de datos más pequeño y específico de la tarea. Aumentar el conjunto de datos más pequeño puede ayudar al modelo a adaptarse mejor a la nueva tarea y evitar el ajuste excesivo a los datos limitados. Más información sobre el preprocesamiento de datos anotados.

En resumen, el aumento de datos es una técnica crucial para mejorar el rendimiento y la solidez de los modelos de aprendizaje automático, sobre todo en visión por ordenador. Al ampliar artificialmente el conjunto de datos de entrenamiento con versiones modificadas de los datos existentes, el aumento de datos ayuda a los modelos a generalizarse mejor a los datos no vistos, evita el sobreajuste y aborda problemas como el desequilibrio de clases. Ultralytics YOLO los modelos aprovechan el aumento de datos para mejorar su rendimiento en diversas tareas de visión por ordenador. La integración de Albumentations con Ultralytics proporciona una forma potente y flexible de aplicar una amplia gama de aumentos a tus conjuntos de datos. Explora nuestra página de integraciones para saber más sobre cómo funciona Ultralytics con otras herramientas y plataformas.