データ拡張がモデルの頑健性を向上させ、過学習を低減する仕組みを探求します。Ultralytics 向上させる主要な手法を学びます。
データ拡張は、機械学習およびコンピュータビジョンにおいて重要な技術であり、既存データの修正版を作成することで、訓練データセットの規模と多様性を人工的に増加させるために用いられる。 時間と費用がかかる新規データの収集・ラベリングに代わって、拡張では元のサンプルに様々な変換を適用します。こうした変更により機械学習モデルはパターンをより頑健に認識できるようになり、実環境での変動に遭遇しても良好な性能を発揮します。トレーニング中にモデルをより幅広いシナリオに晒すことで、開発者は過学習を効果的に低減し汎化性能を向上させられます。
コンピュータビジョン分野では、モデルは訓練データとわずかに異なる画像に直面すると しばしば苦戦する。 照明、向き、背景の雑多さといった変化は、十分な多様性を学習していないモデルを混乱させることがあります。データ拡張は、これらの変化をプログラム的にシミュレートすることでこの問題を解決します。例えば、猫の画像を回転させたり反転させたり、わずかにぼかしたりすることで、こうした変化があっても対象が「猫」であることに変わりないことをモデルに教えます。
このプロセスは、Ultralytics 現代的なアーキテクチャの成功に不可欠です。 このモデルは、物体検出 や画像セグメンテーションといったタスクで高い精度を達成するために、 豊富で多様なデータセットに依存しています。 新しい訓練例を合成することで、データ拡張はモデルが不変特徴を学習することを可能にします。 不変特徴とは、入力が変化しても変わらない特性です。
データ拡張は、単純な幾何学的調整から複雑な生成手法に至るまで、多様な変換技術を含む：
データ拡張の実用的な影響は、データの不足や変動性の高さが課題となる数多くの産業に及んでいる。
自動運転車の開発において、あらゆる気象条件や照明シナリオのデータを収集することはほぼ不可能です。エンジニアはデータ拡張技術を用いて、晴天時の画像に雨、霧、雪、またはグレアをシミュレートします。これにより、知覚システムが環境要因に関係なくdetect 、交通標識、その他の車両detect 確実にdetect になり、安全性と信頼性が向上します。
医療画像解析では、プライバシー上の懸念や特定の疾患の希少性により、データセットが限られることが多々ある。拡張技術を用いることで、研究者はX線やMRIスキャンといった小規模なデータセットを、弾性変形、回転、輝度シフトを適用することで拡大できる。これにより、患者の体位やスキャン品質が異なる場合でも、腫瘍や骨折を高感度で識別可能な堅牢な診断モデルを訓練することが可能となる。
データ拡張と合成データを区別することが重要です。どちらもデータセットの規模拡大を目的としますが、合成データは（3Dレンダリングやシミュレーションエンジンを用いて）一から人工的に生成されるのに対し、データ拡張は既存の実世界のデータを改変します。 さらに、データ前処理はモデルに適した状態にするためのデータクリーニングやフォーマット（例：リサイズ、正規化）を含みますが、拡張とは異なり、必ずしもトレーニングサンプル数を増加させるものではありません。
現代のフレームワークは拡張処理をトレーニングパイプラインに直接統合している。以下の例は、YOLO26モデルのトレーニング中に反転やスケーリングといった拡張処理を適用する方法を示す。
ultralytics パッケージで提供される。
from ultralytics import YOLO
# Load the YOLO26 model
model = YOLO("yolo26n.pt")
# Train with custom data augmentation hyperparameters
# fliplr: 50% chance of horizontal flip, scale: image scaling gain
results = model.train(data="coco8.yaml", epochs=10, fliplr=0.5, scale=0.5)
これらのハイパーパラメータを調整することで、開発者はデータセットとアプリケーションの特定のニーズに合わせて拡張戦略を調整でき、Ultralytics 柔軟性を活用して効率的なモデル開発を実現します。
.webp)
