Как увеличить количество данных для обучения при малом количестве размеченных объектов?

При малом количестве размеченных данных для обучения можно использовать следующие методы увеличения объёма данных (data augmentation):

• Аугментация данных — создание новых примеров из существующих путём трансформаций. Для изображений это могут быть повороты, отражения, масштабирование, сдвиги, изменение яркости и контраста.
• Генерация синтетических данных с помощью моделей, например, GAN (Generative Adversarial Networks) или вариационных автокодировщиков.
• Использование предобученных моделей (transfer learning) — дообучение модели на небольшой размеченной выборке, используя знания, полученные на больших датасетах.
• Семисупервизорное обучение — использование большого количества неразмеченных данных вместе с небольшим количеством размеченных.
• Сбор дополнительных данных с помощью краудсорсинга или автоматизированных методов разметки.

Пример аугментации изображений на Python с использованием библиотеки torchvision:

from torchvision import transforms

transform = transforms.Compose([
    transforms.RandomHorizontalFlip(),
    transforms.RandomRotation(15),
    transforms.ColorJitter(brightness=0.2, contrast=0.2),
])

augmented_image = transform(original_image)

Таким образом, даже при ограниченном количестве размеченных объектов можно значительно расширить обучающую выборку и повысить качество модели.