Por que é necessária a augmentação de dados?

A augmentação de dados é o processo de aumentar artificialmente o volume e a diversidade do conjunto de dados de treino através da aplicação de várias transformações aos dados originais. Isto é especialmente importante em tarefas de aprendizagem automática, onde a qualidade e quantidade de dados influenciam diretamente a qualidade do modelo.

Para que serve a augmentação de dados:

• Aumento do volume de dados: ajuda a evitar o sobreajuste, quando o modelo memoriza demasiado bem os dados de treino.
• Aumento da robustez do modelo: através da diversidade de dados, o modelo aprende a ser mais resistente ao ruído e às variações.
• Simulação de condições reais: por exemplo, em visão computacional, pode-se rodar, escalar ou alterar o brilho das imagens para que o modelo reconheça melhor os objetos em diferentes condições.

Exemplo de augmentação de imagens com a biblioteca imgaug:

import imgaug.augmenters as iaa

seq = iaa.Sequential([
    iaa.Fliplr(0.5),           # reflexão horizontal com probabilidade de 50%
    iaa.Affine(rotate=(-20, 20)),  # rotação de -20 a 20 graus
    iaa.AdditiveGaussianNoise(scale=0.05*255)  # adição de ruído
])

imagens_aumentadas = seq(images=imagens_originais)

Assim, a augmentação ajuda a tornar o modelo mais geral e a melhorar a sua qualidade com uma quantidade limitada de dados originais.