Bir makine öğrenmesi modeli ne kadar çok ve ne kadar çeşitli örnek görürse, gerçek dünyadaki farklı durumlarla o kadar iyi başa çıkar. Ancak etiketli veri toplamak çoğu zaman pahalı ve yavaştır. Veri artırma, eldeki verinin daha verimli kullanılmasını sağlayan pratik bir çözümdür ve özellikle bilgisayarlı görü projelerinde neredeyse standart bir adımdır. Aşağıda yöntemin mantığını, yaygın teknikleri ve dikkat edilmesi gereken noktaları bulabilirsiniz.
İçindekiler (7 başlık)
Veri artırma nedir?
Veri artırma, eğitim kümesindeki her örnekten, etiketini değiştirmeyecek dönüşümler uygulayarak yeni örnekler üretme işlemidir. Bir kedi fotoğrafını yatay olarak çevirdiğinizde ortaya çıkan görüntü hâlâ bir kedidir; model açısından ise piksellerin tamamen farklı dizildiği yeni bir örnektir.
Yöntemin asıl amacı, modelin eğitim verisindeki rastlantısal ayrıntıları ezberlemesini önlemektir. Model, kedinin her zaman sola baktığı fotoğraflarla eğitilirse sağa bakan bir kediyi tanımakta zorlanabilir. Çevrilmiş örnekler, modele yönün önemli olmadığını öğretir. Bu yönüyle veri artırma, overfitting ile mücadelede kullanılan düzenlileştirme yöntemlerinden biri olarak kabul edilir.
Görüntülerde veri artırma teknikleri

| Teknik | Ne yapar? | Dikkat edilmesi gereken |
|---|---|---|
| Yatay çevirme | Görüntüyü aynadaki gibi ters çevirir | Yazı ya da yön bilgisi içeren görüntülerde anlamı bozabilir |
| Döndürme | Görüntüyü belirli bir açıyla döndürür | Rakamlarda 6 ile 9 gibi karışıklıklara yol açabilir |
| Rastgele kırpma | Görüntünün bir bölümünü kesip kullanır | Nesnenin tamamen dışarıda kalmamasına dikkat edilmelidir |
| Ölçekleme ve yakınlaştırma | Nesneyi daha büyük ya da küçük gösterir | Aşırı değerler gerçekçi olmayan örnekler üretir |
| Parlaklık ve kontrast | Işık koşullarını değiştirir | Renk bilgisinin önemli olduğu görevlerde ölçülü kullanılmalıdır |
| Gürültü ekleme | Görüntüye rastgele gürültü ekler | Tıbbi görüntülerde önemli ayrıntıları gizleyebilir |
Bu teknikler genellikle birlikte ve rastgele parametrelerle uygulanır. Evrişimli sinir ağları ile çalışan görüntü modellerinde bu tür dönüşümler çoğu zaman eğitim hattının bir parçası olarak tanımlanır.
Örnek: Bir görüntüden kaç farklı örnek çıkar?
Bir görüntüye üç dönüşümü birlikte uyguladığımızı düşünelim: yatay çevirme (uygula ya da uygulama: 2 seçenek), üç farklı parlaklık düzeyi (3 seçenek) ve dört farklı kırpma konumu (4 seçenek).
| Hesap | Sonuç |
|---|---|
| Bir görüntüden çıkan kombinasyon: 2 × 3 × 4 | 24 farklı örnek |
| 1.000 görüntülük bir veri kümesi: 1.000 × 24 | 24.000 olası örnek |
Bu örnekler birbirinin varyasyonu olduğu için 24.000 bağımsız fotoğrafla aynı değerde değildir; yine de modelin aynı nesneyi farklı koşullarda görmesini sağlar. Pratikte dönüşümler çoğunlukla sürekli aralıklardan rastgele seçildiği için (örneğin −15 ile +15 derece arasında herhangi bir açı) olası varyasyon sayısı çok daha fazladır.
Çevrim içi ve çevrim dışı veri artırma
Veri artırma iki şekilde yapılabilir. Çevrim dışı (offline) yöntemde dönüştürülmüş görüntüler önceden üretilip diske kaydedilir; bu yöntem basittir, ama depolama alanı gerektirir. Çevrim içi (online) yöntemde ise dönüşümler eğitim sırasında, her görüntü modele verilmeden hemen önce rastgele uygulanır. Böylece model her turda (epoch) aynı fotoğrafın biraz farklı bir hâlini görür.
TensorFlow ve PyTorch gibi kütüphaneler, çevrim içi veri artırma için hazır katmanlar ve dönüşüm araçları sunar. Bu dönüşümler yalnızca eğitim sırasında uygulanır; modelin doğrulama ve test verisi üzerindeki başarısı, dönüştürülmemiş verilerle ölçülür.
Metin ve seste veri artırma

- Metin: Bazı kelimeleri eş anlamlılarıyla değiştirmek, cümleyi başka bir dile çevirip geri çevirmek (back-translation) ya da kelimelerin bir kısmını rastgele silmek kullanılan yöntemlerdir. Metinde küçük bir değişiklik bile anlamı değiştirebildiği için görüntülere göre daha dikkatli olmak gerekir.
- Ses: Arka plan gürültüsü eklemek, sesi hafifçe hızlandırmak ya da yavaşlatmak ve perdeyi değiştirmek konuşma tanıma modellerinde sık kullanılır.
- Sentetik veri: GAN gibi üretken modellerle tamamen yeni örnekler üretmek de veri artırmanın ileri bir biçimi olarak görülür.
Veri artırmada sık yapılan hatalar

- Etiketi değiştiren dönüşümler: Trafik işaretlerinde sağa ve sola dönüş oklarını çevirmek, örneğin etiketini yanlış hâle getirir.
- Test verisine artırma uygulamak: Modelin başarısı, gerçek dünyadaki verilere benzeyen, dönüştürülmemiş örneklerle ölçülmelidir.
- Artırmayı veri bölmeden önce yapmak: Aynı fotoğrafın farklı hâlleri hem eğitim hem test kümesine düşerse sonuçlar olduğundan iyi görünür. Önce veriyi bölmek, sonra yalnızca eğitim kümesini artırmak gerekir. Doğru bölme için çapraz doğrulama yazısına bakabilirsiniz.
Sık sorulan sorular
Veri artırma her zaman başarıyı artırır mı?
Hayır. Görevle uyumsuz dönüşümler modelin kafasını karıştırabilir ve başarıyı düşürebilir. Hangi dönüşümlerin işe yaradığı, doğrulama verisiyle denenerek belirlenmelidir.
Veri artırma ile sentetik veri aynı şey mi?
Tam olarak değil. Klasik veri artırma mevcut örnekleri dönüştürür. Sentetik veri ise simülasyonlar ya da üretken modellerle sıfırdan oluşturulur. İkisi de eğitim verisini genişletmek için kullanılır.
Veri artırma ne zaman en çok işe yarar?
Eğitim verisi az olduğunda ve modelin karşılaşacağı gerçek verilerde açı, ışık ya da konum gibi doğal farklılıklar beklendiğinde en çok fayda sağlar.






