¿Cómo aumentar la cantidad de datos para el entrenamiento con un número reducido de objetos etiquetados?

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.