Data augmentation: enseñar con la misma foto mil veces

Tenés mil fotos de gatos y una red que se las aprende de memoria. En entrenamiento clava el 99%; con un gato nuevo, en otra pose y otra luz, se confunde. El problema clásico: pocos datos, sobreajuste asegurado. La solución más elegante y barata no es conseguir más fotos. Es enseñar con la misma foto mil veces, apenas distinta cada vez.

La misma información, otra apariencia

La idea de fondo es que un gato sigue siendo un gato si lo rotás 15 grados, lo espejás, le subís el brillo o le recortás una esquina. La etiqueta no cambia, pero los píxeles sí. Cada variación es, para la red, una imagen nueva que carga exactamente el mismo concepto.

Las transformaciones más usadas:

• Geométricas: rotación, espejado horizontal, recortes (crops), zoom, traslaciones.
• Fotométricas: cambios de brillo, contraste, saturación, tinte de color.
• De ruido y oclusión: ruido gaussiano, cutout (tapar un parche al azar), blur.
• Combinadas: mixup (promediar dos imágenes y sus etiquetas), CutMix (pegar un recorte de una sobre otra).

En la práctica se aplican al vuelo, distintas en cada época, así la red casi nunca ve dos veces la misma imagen idéntica:

import torchvision.transforms as T

aug = T.Compose([
    T.RandomResizedCrop(224),
    T.RandomHorizontalFlip(),
    T.ColorJitter(brightness=0.2, contrast=0.2),
])

Por qué funciona: invarianzas a mano

Lo que pasa de fondo es que le estás enseñando algo sin decírselo. Al mostrarle el mismo gato espejado, le marcás que la orientación no importa para la clase. Al variarle el brillo, que la iluminación tampoco. Estás inyectando invarianzas que querés que el modelo respete, conocimiento del dominio metido por la puerta de atrás.

Y hay un detalle fino: las aumentaciones tienen que ser plausibles. Espejar un gato horizontalmente está bien; espejar un dígito manuscrito convierte un 2 en algo que no existe, o peor, un 6 en un 9. La rotación de 180° de un auto en una foto de tránsito es ruido, no señal. Elegir mal las transformaciones le enseña al modelo cosas falsas.

Data augmentation no crea información nueva. Redistribuye la que ya tenés para que el modelo aprenda el concepto y no la foto puntual.

Esto se apoya en cómo una CNN construye su representación de bordes a conceptos: si las primeras capas detectan bordes y texturas, mostrarles esos mismos bordes en otra escala o ángulo refuerza detectores robustos en vez de memorias frágiles.

El primo de la regularización

Aumentar datos cumple un rol parecido al de otras técnicas que combaten el sobreajuste, como apagar neuronas al azar con dropout: le ponés ruido controlado al entrenamiento para que el modelo no se aferre a detalles espurios. Es también lo que vuelve viable el transfer learning con pocos ejemplos: partís de una red preentrenada y, con un puñado de imágenes bien aumentadas, la adaptás a tu problema sin que colapse.

Eso sí, tiene un techo. Si tu modelo aprende invarianzas falsas —que la textura define la clase más que la forma— podés caer en las ilusiones ópticas de las redes, donde un cambio de textura tira abajo la predicción. La augmentation bien diseñada ayuda justamente a evitar eso, forzando a mirar la forma global.

Antes de salir a etiquetar diez mil imágenes más, conviene preguntarse qué transformaciones dejan intacto el significado. Muchas veces, los datos que faltan ya los tenés. Solo hay que mostrarlos de otra manera.