Аугментация данных (Data Augmentation) — это метод искусственного увеличения объёма и разнообразия обучающей выборки путём создания новых примеров из уже имеющихся с помощью различных трансформаций. Особенно широко применяется в задачах компьютерного зрения, где доступ к большим размеченным датасетам может быть ограничен, а модели (особенно глубокие нейросети) требуют большого количества разнообразных данных для устойчивого и точного обучения.

Аугментация улучшает обобщающую способность моделей, снижает оверфиттинг (переобучение) и позволяет эффективно использовать даже небольшие наборы данных.

Зачем нужна аугментация данных

1. **Увеличение объёма обучающей выборки
   **

   • Обучение моделей требует больших датасетов. Аугментация позволяет создать десятки, сотни и даже тысячи вариантов одного изображения.

2. **Повышение устойчивости модели
   **

   • Модель становится более устойчивой к шуму, поворотам, масштабированию, изменениям освещения и другим реальным условиям.

3. **Снижение переобучения
   **

   • За счёт разнообразия примеров модель не запоминает конкретные изображения, а учится распознавать обобщённые закономерности.

4. **Имитирование реальных сценариев
   **

   • Например, изображения с разным углом обзора, освещением, перекрытиями, шумом — всё это может быть смоделировано через аугментацию.

5. **Балансировка классов
   **

   • В задачах с несбалансированными классами (например, много изображений кошек и мало собак) можно сгенерировать дополнительные данные для дефицитного класса.

Основные виды аугментации изображений

Аугментация может быть геометрической, фотометрической, смешанной или на основе генеративных моделей. Ниже перечислены основные способы аугментации:

1. Геометрические преобразования

• Поворот (Rotation)
  Поворачивает изображение на заданный угол (например, от -20° до +20°).

• Масштабирование (Scaling/Zooming)
  Увеличение или уменьшение изображения с сохранением размера холста.

• Сдвиг (Translation)
  Смещение изображения по осям X и Y (объект не по центру).

• Отражение (Flipping)
  Горизонтальное (чаще) и вертикальное отражение.

• Обрезка (Cropping)
  Случайная или центрированная вырезка части изображения.

• Изменение перспективы (Shear/Projective)
  Искажение с поворотом под углом — имитация съёмки под наклоном.

2. Фотометрические (изменение цвета и яркости)

• Изменение яркости (Brightness)
  Сделать изображение светлее или темнее.

• Контраст (Contrast)
  Усиление/ослабление различий между светлым и тёмным.

• Насыщенность (Saturation)
  Повышение или понижение насыщенности цветов.

• Шум (Gaussian/Impulse Noise)
  Добавление случайного шума в изображение.

• Размытие (Gaussian Blur, Motion Blur)
  Имитирует расфокусировку или движение.

• Изменение цветового пространства (HSV, Lab)
  Модификация отдельных компонентов (Hue, Saturation, Value).

3. Пространственные и композиционные техники

• Cutout (Random Erasing)
  Случайное зачернение или удаление прямоугольных областей.

• Mixup / CutMix
  Создание новых примеров путём смешивания изображений и/или меток.

• GridDistortion / ElasticTransform
  Искажение сетки изображения — имитация эластичных деформаций.

• Random Shadows / Sun Flares / Fog
  Добавление симулированных погодных или световых эффектов.

Аугментация для разных задач

Классификация

• Применяются базовые трансформации: поворот, отражение, масштабирование, шум.

• Главное: не изменить класс объекта. Например, при распознавании одежды вертикальный флип может быть недопустим.

Детекция объектов (Object Detection)

• Аугментация должна учитывать аннотации прямоугольников (bounding boxes).

• При трансформации изображения необходимо также изменить координаты боксов.

Сегментация (Semantic/Instance Segmentation)

• Требуется синхронно трансформировать изображение и соответствующую маску сегментации.

Распознавание текста (OCR)

• Добавление размытия, наклонов, шумов, искажений имитирует реальные условия: сканеры, фото документов.

Медицинская визуализация

• Чувствительность к искажениям высокая: допустимы лишь умеренные повороты, зеркалирования, шумы.

Использование в библиотеке Keras

from tensorflow.keras.preprocessing.image import ImageDataGenerator
datagen = ImageDataGenerator(
rotation_range=20,
zoom_range=0.2,
horizontal_flip=True,
width_shift_range=0.1,
height_shift_range=0.1,
brightness_range=\[0.8, 1.2\]
)
datagen.fit(x_train)

Использование библиотеки Albumentations (Python, OpenCV)

import albumentations as A
from albumentations.pytorch import ToTensorV2
transform = A.Compose(\[
A.HorizontalFlip(p=0.5),
A.RandomBrightnessContrast(p=0.2),
A.ShiftScaleRotate(shift_limit=0.05, scale_limit=0.1, rotate_limit=15, p=0.7),
A.GaussianBlur(blur_limit=3, p=0.2),
A.Normalize(mean=(0.5,), std=(0.5,)),
ToTensorV2()
\])

Генеративные подходы к аугментации

GAN (Generative Adversarial Networks)

• Генерация новых изображений, максимально похожих на реальные.

• Используется для:

  • Медицины (генерация редких патологий)

  • Балансировки классов

Synthetic Data (Синтетические изображения)

• Полностью искусственно сгенерированные сцены

• Используется в распознавании автомобилей, лиц, сцены в робототехнике

Проблемы и ограничения

• Искажение метки — например, переворот лица может нарушить корректность в задаче "определить левый или правый профиль".

• Избыточная аугментация может ухудшить обучение, если исказит структуру данных.

• Не все аугментации универсальны — нужно учитывать специфику задачи.

• В некоторых задачах (например, медицинская диагностика) трансформации должны быть строго контролируемыми.

Реализация онлайн и офлайн

• Офлайн-аугментация: заранее создаются все новые изображения и сохраняются на диск.

  • Преимущество: быстрое обучение

  • Недостаток: требует много памяти

• Онлайн-аугментация: новые изображения создаются «на лету» во время каждой эпохи обучения.

  • Преимущество: разнообразие и эффективность

  • Недостаток: требует больше ресурсов в процессе обучения

Аугментация не только в изображениях

Хотя чаще всего аугментация используется в компьютерном зрении, она применяется и в других сферах:

• Текст (NLP): замена синонимов, удаление слов, перестановка слов, генерация парафраз

• Аудио: шум, эхо, сдвиг по времени, изменение высоты тона

• Временные ряды: добавление шума, масштабирование, свёртки, временные искажения

• Табличные данные: SMOTE, генерация синтетических наблюдений

Аугментация остаётся важнейшим шагом в современном машинном обучении, особенно в условиях ограниченности или несбалансированности данных.