💻 computer science

The Effects of Synthetic Data and Label Distribution on Canola Branch Counting

यह अध्ययन प्रदर्शित करता है कि एक कैलिब्रेटेड L-सिस्टम मॉडल द्वारा जनरेट किए गए सिंथेटिक डेटा के साथ कैनोला शाखा गणना के लिए ResNet-18 मॉडल को प्रशिक्षित करने से प्रदर्शन में महत्वपूर्ण सुधार होता है, जब सिंथेटिक-टू-रियल इमेज अनुपात को 1:7 के अनुकूलित किया जाता है और सिंथेटिक लेबल वितरण को वास्तविक डेटा से मेल खाने के लिए स्मूथ किया जाता है, जिससे केवल वास्तविक डेटा का उपयोग करने की तुलना में माध्य पूर्ण अंतर (mean absolute difference) में 14.7% की कमी आती है।

मूल लेखक: Amirsalar Darvishpour, Mikolaj Cieslak, Adam Runions

प्रकाशित 2026-07-13

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Amirsalar Darvishpour, Mikolaj Cieslak, Adam Runions

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक रोबोट को कैनोला के पौधे की शाखाओं (branches) को गिनना सिखाने की कोशिश कर रहे हैं। वास्तविक दुनिया में, पौधों की हजारों तस्वीरें लेना और हर एक शाखा को मैन्युअल रूप से गिनना एक धीमा, उबाऊ और महंगा काम है। यह एक नई भाषा सीखने जैसा है जहाँ आप केवल एक बहुत ही मोटी किताब पढ़कर सीख रहे हों।

काम को तेज करने के लिए, वैज्ञानिकों ने एक विशेष कोड जिसे 'L-system' कहा जाता है, का उपयोग करके एक डिजिटल "प्लांट फैक्ट्री" बनाई। यह फैक्ट्री नकली कैनोला पौधों की असीमित तस्वीरें बना सकती है, और चूंकि कंप्यूटर ने उन्हें बनाया है, इसलिए उसे हर एक छवि के लिए शाखाओं की सटीक संख्या पता है। यह एक जादुई पाठ्यपुस्तक की तरह है जहाँ हर उत्तर पीछे लिखा हुआ है।

लेकिन इसमें एक पेंच है: भले ही कंप्यूटर को उत्तर पता हो, इसका मतलब यह नहीं है कि रोबोट उन्हें आसानी से सीख लेगा। नकली पौधे असली, बिखरे हुए पौधों की तुलना में थोड़े बहुत "परफेक्ट" दिखते हैं। बड़ा सवाल यह था कि: हम इन नकली तस्वीरों को असली तस्वीरों के साथ कैसे मिलाएं ताकि रोबोट गिनती करने में वास्तव में कुशल हो जाए?

शोधकर्ताओं ने इस सही रेसिपी को खोजने के लिए प्रयोगों की एक श्रृंखला चलाई, और उन्होंने तीन स्वर्णिम नियम खोज निकाले।

1. "ज़रूरत से ज़्यादा अच्छा" का अनुपात (The "Too Much of a Good Thing" Ratio)

सबसे पहले, उन्होंने परीक्षण किया कि असली तस्वीरों के साथ कितनी नकली तस्वीरें मिलाई जाएं। इसे सूप में मसाला डालने की तरह समझें। यदि आप सूप (असली डेटा) के बर्तन में नमक की एक चुटकी (नकली डेटा) डालते हैं, तो स्वाद बेहतर होता है। लेकिन यदि आप पूरा डिब्बा ही डाल दें, तो वह खाने लायक नहीं रहता।

उन्होंने पाया कि नकली तस्वीरें जोड़ने से बहुत मदद मिलती है, लेकिन केवल तभी जब आप बहुत अधिक न बढ़ जाएं।

सही संतुलन (The Sweet Spot): जब केवल नकली-से-असली तस्वीरों के मिश्रण को देखा गया, तो सबसे अच्छा अनुपात प्रत्येक 7 असली तस्वीरों के लिए 1 नकली फोटो (1:7 का अनुपात) था। इसने रोबoret की गिनती की गलतियों को केवल असली तस्वीरों के उपयोग की तुलना में 7.6% कम कर दिया।
सुरक्षित क्षेत्र (The Safe Zone): आपको इसे सही करने के लिए गणित का विशेषज्ञ होने की आवश्यकता नहीं है। 1:5 और 1:22 के बीच का कोई भी मिश्रण अच्छा काम करता है।
खतरे का क्षेत्र (The Danger Zone): यदि आप 1:22 से आगे निकल जाते हैं (यानी बहुत अधिक नकली तस्वीरें), तो रोबोट छवियों के "नकली" स्वरूप से भ्रमित होने लगता है, और इसका प्रदर्शन वास्तव में केवल असली तस्वीरों के उपयोग से भी खराब हो जाता है।

2. "नकली भीड़" की समस्या (The "Fake Crowd" Problem)

इसके बाद, उन्होंने देखा कि कौन से नकली पौधे उत्पन्न किए जाने चाहिए। उनकी डिजिटल फैक्ट्री में, पौधे एक "यूनिफॉर्म" (समान) वितरण के साथ विकसित हुए। इसका मतलब है कि फैक्ट्री ने 1 शाखा, 10 शाखाएं, 20 शाखाएं और 40 शाखाओं वाले पौधों की समान संख्या बनाई।

हालाँकि, वास्तविक दुनिया में, अधिकांश पौधों में शाखाओं की मध्यम संख्या होती है, और बहुत कम पौधों में अत्यधिक संख्या (जैसे 1 या 40) होती है।

गलती: एक "यूनिफॉर्म" मिश्रण का उपयोग करना जहाँ हर शाखा की संख्या समान रूप से आम थी, एक आपदा साबित हुआ। इसने रोबोट की त्रुटियों को 1.70 (एक बहुत बुरा स्कोर) तक पहुँचा दिया। यह मौसम के बारे में यह मानकर सीखने जैसा है कि हर दिन समान रूप से बारिश, बर्फबारी और धूप होती है।
सुधार: उन्होंने नकली पौधों को असली भीड़ के अधिक समान बनाने की कोशिश की। उन्होंने पाया कि यदि वे नकली वितरण को 90% वास्तविक वितरण के समान बना देते हैं, तो त्रुटियां घटकर 0.927 रह गईं।
जादुई तकनीक (Gaussian Smoothing): पूरे अध्ययन का सबसे अच्छा परिणाम "गौसियन स्मूथिंग" (Gaussian smoothing) नामक तकनीक से आया। कल्पना कीजिए कि आप वास्तविक डेटा ले रहे हैं और उसके किनारों को धीरे से धुंधला (blur) कर रहे हैं ताकि दुर्लभ शाखा गणनाओं को थोड़ा अतिरिक्त ध्यान मिले, लेकिन पूरे डेटा को नकली न बना दें। इस सरल बदलाव ने त्रुटि को 0.912 तक कम कर दिया, जो केवल असली तस्वीरों के उपयोग की तुलना में 14.7% का सुधार था। यह असली विजेता था, जिसने सबसे अच्छे अनुपात वाले मिश्रण को भी पीछे छोड़ दिया।

3. "न्यूनतम गारंटी" का जाल (The "Minimum Guarantee" Trap)

अंत में, उन्होंने एक सरल विचार का परीक्षण किया: "क्या होगा यदि हम केवल यह वादा करें कि हमारे पास प्रत्येक शाखा संख्या के लिए कम से कम X नकली तस्वीरें होंगी, यहाँ तक कि दुर्लभ वाली भी?"

मामूली दृष्टिकोण: यदि उन्होंने प्रत्येक शाखा संख्या के लिए कम से कम 10 नकली तस्वीरों की गारंटी दी, तो रोबोट ने ठीक काम किया (त्रुटियां घटकर 0.993 हो गईं)। यह "स्मूथिंग" तकनीक जितना अच्छा नहीं था, लेकिन यह एक सुरक्षित, सरल बैकअप प्लान था।
अति-सुधार (The Over-Correction): यदि उन्होंने प्रत्येक गणना के लिए 100 नकली तस्वीरों की गारंटी देने की कोशिश की, तो रोबोट फिर से भ्रमित हो गया, और त्रुटियां बढ़कर 1.109 हो गईं। बहुत अधिक दुर्लभ उदाहरणों को जबरदस्ती शामिल करके, उन्होंने अनजाने में नकली डेटा को फिर से बहुत यूनिफॉर्म बना दिया, जिससे प्रगति खराब हो गई।

निष्कर्ष (The Bottom Line)

शोधकर्ताओं ने केवल अनुमान नहीं लगाया; उन्होंने सुनिश्चित करने के लिए इन परिणामों को पांच बार मापा। उन्होंने पाया कि हालांकि नकली-से-असली तस्वीरों का सटीक मिश्रण मायने रखता है, लेकिन यह काफी लचीला है—आपको एकदम सटीक होने की आवश्यकता नहीं है। हालाँकि, आप नकली डेटा को कैसे व्यवस्थित करते हैं, यह बहुत अधिक मायने रखता है।

सबसे अच्छी रणनीति केवल ट्रेनिंग सेट में यादृच्छिक (random) नकली पौधे डालना नहीं है। इसके बजाय, आपको वास्तविक डेटा लेना चाहिए, उसे धीरे से स्मूथ करना चाहिए ताकि दुर्लभ शाखा गणनाओं को थोड़ा बढ़ावा मिले (उस गौसियन ट्रिक का उपयोग करके), और लगभग 7 असली तस्वीरों के लिए 1 नकली फोटो मिलाना चाहिए। यह दृष्टिकोण रोबोट को डिजिटल दुनिया और वास्तविक दुनिया के बीच के अंतर को पाटने में मदद करता है, जिससे वह लाखों महंगी तस्वीरें लिए बिना एक बहुत बेहतर काउंटर बन जाता है।

हालाँकि यह अध्ययन विशेष रूप से कैनोला पौधों पर किया गया था, वैज्ञानिक सुझाव देते हैं कि ये नियम अन्य फसलों के लिए भी मदद कर सकते हैं, हालांकि वे यह स्वीकार करते हैं कि उन्हें अभी भी यह पता लगाने की आवश्यकता है कि इस काम को करने के लिए डिजिटल प्लांट मॉडल के कौन से हिस्से सबसे महत्वपूर्ण हैं।

तकनीकी सारांश: कैनोला शाखा गणना पर सिंथेटिक डेटा और लेबल वितरण के प्रभाव

समस्या विवरण
सुपरवाइज्ड डीप लर्निंग के माध्यम से स्वचालित पादप फेनोटाइपिंग (plant phenotyping) के लिए आमतौर पर बड़े, एनोटेटेड डेटासेट की आवश्यकता होती है, जिन्हें तैयार करना महंगा और समय लेने वाला होता है। जबकि प्रक्रियात्मक (procedural) L-सिस्टम पादप मॉडल सटीक अंग-गणना लेबल के साथ असीमित सिंथेटिक चित्र उत्पन्न कर सकते हैं, पिछले शोध संकेत देते हैं कि केवल सिंथेटिक डेटा जोड़ने से प्रदर्शन में सुधार की गारंटी नहीं मिलती है। सिंथेटिक डेटा के समावेश की प्रभावकारिता दो कारकों पर महत्वपूर्ण रूप से निर्भर करती है: सिंथेटिक और वास्तविक छवियों का अनुपात और सिंथेटिक डेटासेट का लेबल वितरण। यह शोध कैनोला शाखाओं की गणना के विशिष्ट संदर्भ में यह व्यवस्थित रूप से मापने की आवश्यकता को संबोधित करता है कि ये दो कारक मॉडल के प्रदर्शन को कैसे प्रभावित करते हैं।

कार्यप्रणाली
लेखकों ने एक कैलिब्रेटेड L-सिस्टम पादप मॉडल का उपयोग करके सिंथेटिक कैनोला चित्र उत्पन्न किए, जिससे यह सुनिश्चित हुआ कि सिंथेटिक शाखा गणना गुणात्मक रूप से वास्तविक दुनिया के अवलोकनों से मेल खाती है। अध्ययन में एक ResNet-18 मॉडल (ImageNet पर प्री-ट्रेन किया गया) का उपयोग किया गया जिसे शाखा गणना रिग्रेशन (regression) के लिए फाइन-ट्यून किया गया था। मूल्यांकन 788 वास्तविक कैनोला छवियों के एक डेटासेट पर आधारित था जिसमें ग्राउंड-ट्रुथ शाखा गणना (1 से 40 तक की सीमा) थी।

प्रायोगिक डिजाइन ने चार अलग-अलग प्रयोगों में दो प्राथमिक चरों को अलग किया:

अनुपात स्वीप (Ratio Sweep): लेखकों ने वास्तविक डेटासेट को स्थिर रखते हुए, सिंथेटिक-से-वास्तविक छवि अनुपात को 1:0 से 1:29 (विशेष रूप से 30 अनुपातों का परीक्षण किया) तक बदला।
वितरण इंटरपोलेशन (Distribution Interpolation): सिंथेटिक लेबल वितरण को एक समान वितरण (स्टेप 0) से वास्तविक डेटा वितरण (स्टेप 10) की ओर दस समान चरणों में स्थानांतरित किया गया। इसका परीक्षण 18k और 36k सिंथेटिक छवियों के साथ 400 वास्तविक प्रशिक्षण छवियों के युग्म के रूप में किया गया।
गौसियन स्मूथिंग (Gaussian Smoothing): पड़ोसी मानों में शाखा-गणना आवृत्तियों को सुचारू करने के लिए वास्तविक लेबल वितरण हिस्टोग्राम के साथ एक गौसियन कर्नेल (Gaussian kernel) का उपयोग किया गया। $\sigma$ के दस मानों (0.0 से 3.6 तक) का परीक्षण किया गया।
प्रति लेबल न्यूनतम नमूने (Minimum Samples per Label): दुर्लभ उच्च-गणना वाले लेबल को अप-सैंपल करने के उद्देश्य से, लक्ष्य वितरण के पूर्ण ज्ञान की आवश्यकता के बिना, प्रति लेबल न्यूनतम संख्या (प्रति लेबल 10 और 100 चित्र) सुनिश्चित करने के लिए हार्ड-फ्लोर बाधाएं लागू की गईं।

सभी प्रयोग पांच बार दोहराए गए, और प्रदर्शन का मूल्यांकन होल्ड-आउट टेस्ट सेट का उपयोग करके माध्य पूर्ण अंतर (Mean Absolute Difference - abs. diff.) को प्राथमिक मीट्रिक के रूप में किया गया।

मुख्य परिणाम

सिंथेटिक-से-वास्तविक अनुपात: अध्ययन ने 1:5 और 1:22 के बीच एक व्यापक "लाभदायक सीमा" की पहचान की। इस सीमा के भीतर, प्रदर्शन आम तौर पर वास्तविक-केवल प्रशिक्षण की तुलना में बेहतर होता है। इष्टतम अनुपात 1:7 पाया गया, जिसने वास्तविक-केवल प्रशिक्षण की तुलना में माध्य पूर्ण अंतर को 7.6% (1.069 से 0.988) कम कर दिया। 1:22 से अधिक अनुपात के परिणामस्वरूप प्रदर्शन में गिरावट आई, जहाँ अतिरिक्त सिंथेटिक डेटा ने डोमेन-गैप शोर (domain-gap noise) को बढ़ा दिया।
लेबल वितरण (इंटरपोलेशन): एक समान सिंथेटिक वितरण अत्यधिक उप-इष्टतम पाया गया (abs. diff. $\approx$ 1.70)। वास्तविक वितरण की ओर 90% इंटरपोलेशन (स्टेप 9) ने 0.927 का abs. diff. दिया, जो वास्तविक वितरण (0.942) से भी बेहतर था। यह सुझाव देता है कि दुर्लभ लेबल का अधिक प्रतिनिधित्व करने और आवृत्ति चरम सीमाओं को सुचारू करने से सामान्यीकरण (generalization) में सुधार होता है।
लेबल वितरण (गौसियन स्मूथिंग): वास्तविक लेबल वितरण पर गौसियन स्मूथिंग लागू करने से सभी प्रयोगों में सबसे अच्छा समग्र परिणाम प्राप्त हुआ। $\sigma = 3.6$ पर, मॉडल ने 0.912 का abs. diff. प्राप्त किया, जो वास्तविक-केवल प्रशिक्षण की तुलना में 14.7% का सुधार है। $\sigma$ के 2.0 और 4.0 के बीच के मानों के लिए प्रदर्शन वक्र स्थिर (flattened) हो गया।
न्यूनतम नमूने: प्रति लेबल 10 सिंथेटिक छवियों का न्यूनतम स्तर (min-10) लागू करने से वास्तविक-केवल प्रशिक्षण की तुलना में मामूली लाभ (abs. diff. 0.993) हुआ। हालांकि, 100 छवियों का न्यूनतम स्तर (min-100) लागू करने से प्रदर्शन को नुकसान पहुँचा (abs. diff. 1.109), क्योंकि दुर्लभ लेबल के आक्रामक अप-सैंपलिंग ने वितरण को पूंछ (tail) की ओर एकरूपता की ओर धकेल दिया, जिससे समान वितरणों से जुड़ी समस्याएँ फिर से उत्पन्न हो गईं।

महत्व और योगदान
यह शोध पत्र पादप फेनोटाइपिंग के लिए सिंथेटिक डेटा डिजाइन विकल्पों का एक व्यवस्थित लक्षण वर्णन प्रदान करता है। इसके प्राथमिक योगदान तीन गुना हैं:

अनुपात क्षमाशीलता (Ratio Forgiveness): यह स्थापित करता है कि सिंथेटिक-से-वास्तविक अनुपात व्यापक रूप से क्षमाशील है; चिकित्सकों को अनुपात को सटीक रूप से ट्यून करने की आवश्यकता नहीं है, क्योंकि 1:5 और 1:22 के बीच का कोई भी मान वास्तविक-केवल प्रशिक्षण से बेहतर प्रदर्शन करता है।
वितरण अनुकूलन (Distribution Optimization): यह प्रदर्शित करता है कि लेबल वितरण का प्रदर्शन पर सबसे बड़ा प्रभाव पड़ता है। विशेष रूप से, समान वितरणों से बचने और वास्तविक लेबल वितरण पर गौसियन स्मूथिंग लागू करने से (या वास्तविक वितरण की ओर 90% इंटरपोलेशन करने से) सिंथेटिक-से-वास्तविक डोमेन गैप काफी कम हो जाता है।
व्यावहारिक विकल्प: यह उन परिदृश्यों के लिए एक सरल विकल्प प्रदान करता जहाँ वितरण पुनर्सेंपलिंग (resampling) व्यवहार्य नहीं है: प्रति लेबल 10 छवियों का एक मामूली न्यूनतम फ्लोर सेट करना। हालाँकि, यह चेतावनी देता कि उच्च फ्लोर (जैसे, 100) हानिकारक हो सकते हैं।

लेखक निष्कर्ष निकालते हैं कि जबकि मॉडल निर्माण और अंशांकन (calibration) के लिए पर्याप्त प्रयास की आवश्यकता होती है, वास्तविक छवियों को उपयुक्त वितरण मिलान के साथ सिंथेटिक डेटा के साथ जोड़ना, संयुक्त डेटासेट को वास्तविक-केवल बेसलाइन से बेहतर बनाता है। निष्कर्षों से पता चलता है कि देखे गए लेबल वितरण में सरल समायोजन प्रदर्शन को काफी हद से सुधार सकता है, हालांकि लेखक नोट करते हैं कि यह निर्धारित करने के लिए आगे के अन्वेषण की आवश्यकता है कि क्या ये परिणाम अन्य फसलों पर सामान्य होते हैं और कौन से विशिष्ट L-सिस्टम मॉडल घटक डोमेन गैप को पाटने के लिए सबसे महत्वपूर्ण हैं।

1. "ज़रूरत से ज़्यादा अच्छा" का अनुपात (The "Too Much of a Good Thing" Ratio)

2. "नकली भीड़" की समस्या (The "Fake Crowd" Problem)

3. "न्यूनतम गारंटी" का जाल (The "Minimum Guarantee" Trap)

निष्कर्ष (The Bottom Line)

इसी तरह के और पेपर