*Image d'en-tête source.
Vous avez eu une idée révolutionnaire pour un projet d'apprentissage machine (ML) et avez trouvé un excellent ensemble de données en ligne. Vous entraînez ces données à l'aide de techniques d'apprentissage automatique de pointe et obtenez des résultats prometteurs lors de votre première exécution.
Mais quelque chose ne va pas.
Votre modèle semble avoir des difficultés lorsque vous le déployez en production. Lorsqu'il est confronté à des données du monde réel, les performances ne sont pas celles que vous attendiez.
Les problèmes surviennent lorsque vos données sont insuffisantes et que votre modèle ne peut pas extraire les informations adéquates. De plus, de nombreux ensembles de données en libre accès sont minuscules car la collecte de données est fastidieuse et frustrante.
Pour résoudre le problème de la rareté des données, nous utilisons des techniques d'augmentation des données. L'augmentation des données permet aux ingénieurs de générer de nouveaux échantillons de données à partir des données originales utilisées pour entraîner le modèle. L'augmentation des données est devenue nécessaire dans tout pipeline de formation Deep Learning et s'est avérée particulièrement utile dans le cas de la vision par ordinateur (VC).
Mais comment augmenter les données d'image ? Voyons le processus en détail.
Qu'est-ce que l'augmentation des données d'image ?
L'augmentation des données d'image est le processus qui consiste à générer de nouvelles versions transformées d'images à partir d'un ensemble de données d'image donné afin d'accroître sa diversité.
Pour un ordinateur, les images ne sont qu'un tableau bidimensionnel de chiffres. Ces nombres représentent les valeurs des pixels, que vous pouvez modifier de nombreuses façons pour générer de nouvelles images augmentées. Ces images augmentées ressemblent à celles déjà présentes dans l'ensemble de données d'origine mais contiennent des informations supplémentaires pour une meilleure généralisation de l'algorithme d'apprentissage automatique.
Dans un pipeline CVOps, l'augmentation des données d'image est bénéfique pour améliorer les performances des modèles de détection, de classification ou de segmentation des objets. Nous y reviendrons dans la prochaine section.
Pourquoi utiliser l'augmentation des données en vision par ordinateur ?
Pour les solutions de vision par ordinateur déployables, il est préférable de disposer d'ensembles de données plus étendus, qui couvrent tous les aspects visuels d'un objet cible. Mais cela est plus facile à dire qu'à faire.
La collecte des données d'image nécessite la capture et l'annotation manuelles des images, et il est impossible de capturer tous les scénarios qui peuvent être utiles pour le modèle de vision par ordinateur.
Supposons que vous souhaitiez recueillir des images de paysages pittoresques pour un projet de CV. Il n'est pas humainement possible de capturer des images dans toutes les conditions d'éclairage. Quels que soient vos efforts, il manquera toujours des informations dans votre ensemble de données, ce qui limitera la capacité d'apprentissage de votre modèle CV et le résultat final ne sera peut-être pas celui escompté. Les techniques d'augmentation des données peuvent aider à créer de nouvelles images pour combler ces données manquantes.
L'augmentation des données d'image permet d'économiser plusieurs heures-personnes qui seraient autrement consacrées à essayer de construire l'ensemble de données parfait. Elle vous permet d'améliorer les performances de votre modèle en utilisant votre jeu de données existant, en le protégeant de l'overfitting.
Nous venons d'introduire un nouveau terme ; parlons plus en détail de l'overfitting.
Le suréquipement : quoi, pourquoi et quand ?
Un problème commun aux modèles d'apprentissage automatique peu performants est le surajustement.
Lorsque votre modèle a un excellent score d'apprentissage mais ne donne pas de bons résultats sur les données de test du monde réel, on dit que le modèle est surajusté.
Pour expliquer davantage, les modèles modernes d'apprentissage automatique peuvent apprendre des modèles sous-jacents discrets avec une grande précision. Ils peuvent être très performants sur des données qu'ils ont vues, mais le modèle peut ne pas être capable de distinguer des modèles similaires dans des exemples non vus. Il est tellement habitué à voir les exemples de formation qu'il ne peut pas se familiariser avec de nouveaux points de données.
En général, l'overfitting se produit lorsque vous disposez d'un petit ensemble de données. Un petit ensemble de données signifie que votre modèle d'apprentissage automatique ne dispose que d'un nombre limité de modèles à apprendre.
Imaginons que vous souhaitiez construire un classificateur de chats, mais que vous ne disposiez que d'images de chats noirs. Le modèle ne manquera peut-être jamais d'identifier un chat noir, mais il aura du mal avec les chats de différentes couleurs et races. Il en va de même si les images capturées sont toutes prises sous le même angle ; le modèle affichera de mauvaises performances si votre image de test est prise sous un angle différent.
Heureusement, il existe de nombreuses solutions pour résoudre ce problème. Les chercheurs en vision par ordinateur ont développé plusieurs techniques d'augmentation pour étendre un ensemble de données et améliorer les performances du modèle.
Voyons en détail ces techniques d'augmentation de l'image.
Techniques d'augmentation de l'image pour la vision par ordinateur
Les données d'image sont peut-être l'une des plus faciles à augmenter en raison de la grande disponibilité de techniques pertinentes. Cette pléthore de techniques d'augmentation donne de très bons résultats pour les tâches de vision par ordinateur. En voici quelques-unes :
- Manipulation de la position:
Vous pouvez modifier la position de l'image de nombreuses manières différentes. Les méthodes de manipulation de la position comprennent :
- Mise à l'échelle : Augmente ou diminue la taille de l'image.
- Rotation : Faites pivoter l'image pour générer de nouveaux angles.
- Retournement : Retournez l'image à gauche, à droite ou à l'envers.
- Manipulation des couleurs :
Les couleurs d'une image contiennent des informations essentielles pour les modèles d'apprentissage automatique. Nous pouvons modifier ces couleurs pour obtenir différents effets. Voici quelques exemples de ces modifications :
- Luminosité
- Contraste
- Saturation
- Hue
La modification des paramètres ci-dessus peut nous aider à créer différentes conditions d'éclairage. Ces images modifiées peuvent être utiles dans des situations comme celle évoquée dans la section"Pourquoi utiliser l'augmentation des données en vision ?".
- Manipulation d'images :
Vous pouvez manipuler les images de plusieurs façons afin de synthétiser des données représentant différentes situations. Nous pouvons utiliser les techniques suivantes pour augmenter les images :
- Flou : Les images peuvent être floutées en utilisant différentes configurations de noyaux en fonction de la quantité de flou requise. Le flou nous permet de générer des images avec différents niveaux de mise au point et une qualité d'image dégradée.
- Accentuation : La netteté a l'effet inverse de celui du flou sur une image, mais elle a le même but : obtenir différents niveaux de mise au point et une plus grande clarté de l'image.
- Recadrage aléatoire : Recadrage aléatoire de morceaux d'une image, permettant au modèle d'apprendre à partir de données imparfaites, ce qui correspond mieux aux situations du monde réel.
Nous pouvons utiliser toutes les méthodes mentionnées ci-dessus pour multiplier la taille de notre ensemble de données. L'augmentation peut permettre d'économiser des heures d'annotation manuelle des données ; toutefois, compte tenu du grand nombre de techniques disponibles, cette tâche peut également s'avérer fastidieuse.
Heureusement, le pipeline CVOps automatisé de Picsellia vous donne un contrôle total sur votre ensemble de données. Vous pouvez choisir parmi plusieurs techniques d'augmentation et construire un pipeline personnalisé. La boucle de rétroaction intelligente de Picsellia vous permet de réentraîner votre modèle avec des données modifiées et différentes configurations de paramètres. Son système de surveillance des modèles permet de savoir quels modèles et paramètres sont les plus performants.
À emporter
La pénurie de données peut être un cauchemar pour les ingénieurs en vision par ordinateur car la collecte de données est frustrante. Il faut plusieurs heures de travail pour collecter et annoter manuellement les images.
Pour résoudre ce problème, vous pouvez utiliser des techniques d'augmentation des données pour synthétiser davantage de données à partir de l'ensemble d'images d'exemple existant. Ces techniques permettent de générer des données d'image, fournissant aux modèles d'EV de nouvelles informations qui peuvent les aider à mieux comprendre les données et à améliorer leurs performances.
Picsellia offre un pipeline CVOps automatisé construit avec des techniques avancées de vision par ordinateur. Nos outils intégrés d'étiquetage d'images et notre module intégré d'augmentation des données permettent une gestion aisée des données. Pour en savoir plus sur notre plateforme, réservez votre démo dès aujourd'hui ! Il ne nous faudra que quelques minutes pour comprendre vos cas d'utilisation et vous offrir un essai gratuit.
