Yoloda nadir obyektlərin aşkarlanması üçün təlim zamanı gerçəkliyə yaxın və ya siniflərin bərabər balansını təmin edən nümunə götürmək lazımdırmı?

YOLO-nun nadir obyektlərin aşkarlanması üçün təlimində sinif balansını nəzərə almaq vacibdir, amma yanaşma vəzifə və verilənlərdən asılıdır. Əgər həqiqi paylanmaya yaxın nümunə seçsəniz (yəni, təbii balanssızlıq ilə), model nadir sinifləri düzgün tanımaqda çətinlik çəkə bilər, çünki nümunələr çatışmaz.

Bu səbəbdən, balanslaşdırma texnikaları, məsələn, hər sinif üçün bərabər sayda nümunə ilə nümunə seçimi və ya nadir siniflər üçün məlumat artırma metodlarından istifadə edilir. Bu, modelin nadir obyektləri daha yaxşı ayırd etməsinə kömək edir.

Lakin, çox böyük süni balanslaşdırma, nadir siniflərdə artıq öyrənməyə və ümumi performansın pisləşməsinə səbəb ola bilər.

Ən optimal yanaşma, həqiqi paylanmanı nəzərə alaraq sinif balansını birləşdirməkdir, məsələn, çəkili itki funksiyaları və ya fokus itkisi (focal loss) istifadə edərək, bu, çox rast gəlinən siniflərin təsirini azaldır və nadir siniflərə diqqəti cəmləyir.

Çəki ilə nümunə seçiminin nümunəsi:

# Sinif balansını təmin etmək üçün pseudokod nümunəsi
from torch.utils.data import WeightedRandomSampler

class_sample_counts = [1000, 100, 50]  # hər sinif üçün nümunə sayı
weights = 1. / torch.tensor(class_sample_counts, dtype=torch.float)
samples_weight = weights[labels]
sampler = WeightedRandomSampler(samples_weight, num_samples=len(samples_weight), replacement=True)

# DataLoader-də sampler istifadə edin