Synthetic Data Generation
ينشئ توليد البيانات الاصطناعية بيانات تدريب مصطنعة باستخدام المحاكيات والقواعد الإجرائية والنماذج التوليدية ونماذج اللغة الكبيرة (LLMs)، وغالبًا ما تكون تسمياتها دقيقة.
توليد البيانات الاصطناعية هو عملية إنتاج صور أو فيديو أو قراءات مستشعرات أو جداول أو نصوص اصطناعية باستخدام محاكي أو قواعد إجرائية أو نموذج توليدي، ليتسنى تدريب نموذج التعلم الآلي عليها أو اختباره بها. ويُسمّى ناتجها بيانات اصطناعية؛ وتتحدد جودة تلك البيانات من خلال أربعة خيارات في عملية التوليد: الطريقة المستخدمة لإنشاء العينات، وكيفية إرفاق التسميات، ومدى تنوع كل مشهد، وكيفية مقارنة النتيجة بالبيانات الواقعية. وفي الرؤية الحاسوبية، تتمثل الميزة الأساسية في أن المولّد الذي يضع كل جسم يمكنه أيضًا كتابة وسم البيانات الخاص به بدقة ومن دون تكلفة.
الأساليب الرئيسية للتوليد#
تنشئ المحاكيات مشهدًا ثلاثي الأبعاد انطلاقًا من الأصول، وتضبط الإضاءة والخامات والكاميرا، ثم تصيّر الصور مع الأقنعة الدقيقة وخرائط العمق والصناديق المحيطة، لأن وصف المشهد يسجل مواقع كل شيء. وتنتج محاكيات القيادة مفتوحة المصدر مثل CARLA تدفقات بيانات الكاميرا والليدار والرادار من أجل المركبات الذاتية القيادة، وتؤدي محاكيات الروبوتات المهمة نفسها في الإمساك بالأشياء والتنقل. ويغيّر تنويع المجال الخامات والإضاءة والوضعيات بين عمليات التصيير، لكي تعمم النماذج المدرّبة عليها عند استخدام كاميرات واقعية.
يستخدم التوليد الإجرائي نصوصًا برمجية وقواعد بدلًا من مشهد كامل. وتُركّب قصاصات الأجسام المجزأة على خلفيات جديدة بطريقة القص واللصق، التي اشتهرت بفضل ورقة «Cut, Paste and Learn» الصادرة عام 2017 عن جامعة كارنيغي ميلون، مع تسجيل كل صندوق ملصق بوصفه تسمية. أما أبسط نسخة فترسم أشكالًا في مواضع عشوائية، ويكتب المولّد تسمية كل جسم أثناء رسمه:
import cv2
import numpy as np
rng = np.random.default_rng(0)
boxes = 0
for i in range(100):
# Random background color, then one to four contrasting discs in separate quadrants so none overlap
background = rng.integers(0, 256, 3)
image = np.full((320, 320, 3), background, dtype=np.uint8)
labels = []
for qx, qy in [(0, 0), (160, 0), (0, 160), (160, 160)][: rng.integers(1, 5)]:
r = int(rng.integers(10, 40))
x, y = qx + int(rng.integers(r, 160 - r)), qy + int(rng.integers(r, 160 - r))
color = (background + rng.integers(64, 193, 3)) % 256
cv2.circle(image, (x, y), r, color.tolist(), thickness=-1)
# The generator placed the disc, so its normalized box label is exact and free
labels.append(f"0 {x / 320:.4f} {y / 320:.4f} {2 * r / 320:.4f} {2 * r / 320:.4f}")
cv2.imwrite(f"synthetic_{i:03d}.jpg", image)
with open(f"synthetic_{i:03d}.txt", "w") as f:
f.write("\n".join(labels))
boxes += len(labels)
print(f"wrote 100 images with {boxes} exact box labels")يطبع wrote 100 images with 256 exact box labels. ويتبع كل سطر تنسيق تسميات YOLO، ويخزن الفئة ومركز الصندوق وعرضه وارتفاعه ككسور من أبعاد الصورة، ولم يتطلب أي منها معلّقًا بشريًا.
تتعلم النماذج التوليدية مظهر البيانات الواقعية وتُنشئ منها عينات جديدة. وتنتج الشبكات التوليدية التنافسية (GANs) ونماذج الانتشار صورًا واقعية من الضوضاء أو مطالبة نصية أو صورة مرجعية، فيما تثبّت أساليب التكييف مثل ControlNet التخطيط بحيث تبقى مواضع الأجسام معروفة. ومن دون هذا التكييف، تحتاج الصور المُنشأة إلى وسم لاحق. أما بالنسبة إلى الجداول، فتُوائم أدوات التوليد الإحصائي توزيعًا مشتركًا للسجلات الواقعية باستخدام كوبيولات غاوسية أو شبكات بايزية أو شبكات GAN شرطية مثل CTGAN (NeurIPS 2019)، ثم تأخذ عينات من صفوف جديدة.
تولّد النماذج اللغوية الكبيرة بيانات نصية تشمل التعليمات والحوار وتمارين البرمجة ومسارات الاستدلال. ودرّبت Microsoft نموذج phi-1 للبرمجة ذي 1.3 مليار معلمة على 6 مليارات رمز من نصوص ويب منقّاة، إضافة إلى مليار رمز من الكتب المدرسية والتمارين التي كتبها GPT-3.5، وحقق نسبة نجاح 50.6% في pass@1 على معيار HumanEval.
اختيار الطريقة والتحقق من صلاحيتها#
تتحدد الطريقة بحسب محتوى البيانات المطلوب، وتنتهي كل طريقة بالتحقق نفسه بمقارنتها بالبيانات الواقعية:
يدرّب التحقق نموذجًا على البيانات المولّدة، منفردة أو ممزوجة ببيانات حقيقية، ولا يقيّمه إلا على بيانات اختبار حقيقية مستبعدة من التدريب، كما في معايير Ultralytics لبيانات NVIDIA Cosmos الاصطناعية لاكتشاف العيوب. فإذا انخفضت الدقة على الصور الحقيقية مع زيادة حصة البيانات الاصطناعية، فثمة قصور في واقعية المولّد أو تغطيته، وتساعد درجات الصور مثل مسافة فريشيه للصور (FID) على تحديده. وقد تحفظ المولدات المدرّبة على بيانات حقيقية تلك البيانات في ذاكرتها أيضًا؛ لذا تقارن مسارات العمل الحساسة للخصوصية السجلات المولّدة بالأصلية، ويضيف بعضها الخصوصية التفاضلية إلى التدريب.
تضيف منصة Ultralytics التوليد إلى إدارة مجموعات البيانات عبر إجراء توليد صور مشابهة. يأخذ الإجراء صورة من مجموعة بيانات، ويكتب أوصافًا لمشاهد جديدة مستوحاة منها، ثم يولّد صورة واحدة لكل وصف باستخدام نموذج Ultralytics Image 4B افتراضيًا، من صورة واحدة إلى 16 صورة في المرة، مع اتباع تعليمات اختيارية لتغيير عناصر مثل الإضاءة أو زاوية الرؤية أو الخلفية أو الأجسام. وتُضاف الصور المحتفظ بها إلى مجموعة البيانات من دون تسميات، لتكون جاهزة للوسم.
توليد البيانات الاصطناعية مقارنةً بالمصطلحات ذات الصلة#
- زيادة البيانات: تحويل عينات واقعية موجودة أثناء التدريب باستخدام القلب أو الاقتصاص أو تغيير الألوان، بحيث تظل كل نتيجة مرتبطة بعينة أصلية واحدة.
- الذكاء الاصطناعي التوليدي: المجال الأوسع للنماذج التي تنشئ محتوى. والنماذج التوليدية أحد مصادر البيانات الاصطناعية، إلى جانب المحاكيات والقواعد الإجرائية.
- البيانات الاصطناعية: مجموعة البيانات الناتجة عن التوليد، ويُحكم عليها بمدى مطابقتها للبيانات الواقعية وفائدتها في التدريب والخصوصية التي تحافظ عليها.










