Wenn Sie auf "Alle Cookies akzeptieren" klicken, stimmen Sie der Speicherung von Cookies auf Ihrem Gerät zu, um die Navigation auf der Website zu verbessern, die Nutzung der Website zu analysieren und unsere Marketingaktivitäten zu unterstützen. Mehr Infos
Cookie-Einstellungen
Wenn Sie auf "Alle Cookies akzeptieren" klicken, stimmen Sie der Speicherung von Cookies auf Ihrem Gerät zu, um die Navigation auf der Website zu verbessern, die Nutzung der Website zu analysieren und unsere Marketingaktivitäten zu unterstützen. Mehr Infos
Erfahren Sie, wie synthetische Daten für das Training von KI-Modellen in Computer-Vision-Anwendungen in verschiedenen Branchen wie dem Gesundheitswesen und der Robotik verwendet werden.
Daten waren schon immer ein treibender Faktor in Bereichen wie Analytik und künstliche Intelligenz (KI). Die Art und Weise, wie wir Daten sammeln, generieren und nutzen, prägt die Zukunft intelligenter Systeme. Selbstfahrende Autos beispielsweise sind auf Millionen von markierten Bildern und Sensormessungen angewiesen, von Straßenschildern bis hin zu Fußgängerbewegungen, um zu lernen, wie sie sicher durch die Straßen navigieren können.
Eine der wichtigsten Arten von Daten, die diesen Fortschritt vorantreiben, insbesondere in Bereichen wie autonome Fahrzeuge und Sicherheit, sind visuelle Daten wie Bilder und Videos.
Der Bereich der künstlichen Intelligenz, der es Maschinen ermöglicht, diese visuellen Informationen zu interpretieren, wird als Computer Vision bezeichnet. Es hilft Systemen, visuelle Eingaben ähnlich wie Menschen zu verstehen und zu analysieren, und unterstützt Aufgaben wie Gesichtserkennung, Verkehrszeichenerkennung und medizinische Bildanalyse.
Das Sammeln großer, qualitativ hochwertiger visueller Datensätze aus der realen Welt kann jedoch zeitaufwändig und kostspielig sein und wirft oft Bedenken hinsichtlich des Datenschutzes auf. Aus diesem Grund erforschen Forscher aktiv das Konzept der Nutzung synthetischer Daten.
Synthetische Daten sind künstlich erzeugte Bilder, die realen Bildern und Videos sehr ähnlich sind. Sie werden mit Techniken wie 3D-Modellierung, Computersimulationen und generativen KI-Methoden wie Generative Adversarial Networks (GANs) erstellt, die Muster aus echten Daten lernen, um realistische neue Beispiele zu erzeugen.
Es wird erwartet, dass synthetische Daten bald eine entscheidende Rolle in der KI-Entwicklung spielen werden - Gartner prognostiziert, dass sie bis 2030 wichtiger sein werden als reale Daten. In diesem Artikel werden wir untersuchen, was synthetische Daten im Kontext der Computer Vision sind, wie sie generiert werden und wo sie in realen Szenarien eingesetzt werden. Fangen wir an!
Was sind synthetische Daten in der Computer Vision?
Angenommen, Sie möchten ein KI-Modell für die Erkennung von Objekten in verschiedenen Umgebungen und unter verschiedenen Bedingungen trainieren. Sich nur auf Daten aus der realen Welt zu verlassen, kann schwierig sein und sich manchmal einschränkend anfühlen.
In der Zwischenzeit können synthetische Daten verwendet werden, um den richtigen Datensatz zu erstellen, der Objekte unter verschiedenen künstlich geschaffenen Bedingungen enthält. Mithilfe von Tools wie 3D-Modellierung und Simulationen können Entwickler Bilder mit präziser Kontrolle über Faktoren wie Beleuchtung, Winkel und Objektplatzierung erzeugen. Dies wiederum bietet mehr Flexibilität für die Modellschulung als reale Daten.
Synthetische Daten sind besonders hilfreich, wenn das Sammeln von Daten aus der realen Welt schwierig oder unmöglich ist. Um zum Beispiel ein Modell zu trainieren, das Menschen in einer Vielzahl von Posen erkennt, wie etwa beim Laufen, Hocken oder Liegen, müssten Tausende von Fotos in vielen verschiedenen Einstellungen, Winkeln und Lichtverhältnissen aufgenommen werden.
Andererseits können die Entwickler mit synthetischen Daten diese Variationen leicht mit genauen Bezeichnungen erzeugen, was Zeit und Mühe spart und gleichzeitig die Modellleistung verbessert.
Abb. 1. Ein synthetischer Datensatz mit verschiedenen menschlichen Posen und Beleuchtungsvariationen(Quelle).
Synthetische vs. reale Daten in der KI
Als Nächstes wollen wir uns die Unterschiede zwischen synthetischen Daten und echten Daten genauer ansehen. Beide haben ihre Vor- und Nachteile, wenn es um das Training von KI-Modellen geht.
Synthetische Daten sind z. B. nützlich, wenn echte Daten schwer zu erfassen sind, aber sie erfassen möglicherweise nicht jedes kleine Detail, das im wirklichen Leben vorkommt. Gleichzeitig sind reale Daten authentischer, aber es kann schwierig sein, sie zu beschaffen, zeitaufwändig, sie zu kennzeichnen, und sie decken möglicherweise nicht alle Situationen ab.
Durch die Kombination von synthetischen und realen Daten können Entwickler das Beste aus beiden Welten erhalten. Dieses Gleichgewicht hilft KI-Modellen, genauer zu lernen, besser über verschiedene Szenarien hinweg zu generalisieren und Verzerrungen zu reduzieren.
Abbildung 2. Synthetische vs. reale Daten in der KI. Bild vom Autor.
Ein Blick auf die Datengenerierung für Computer Vision Modelle
Vom Aufbau virtueller Welten mit 3D-Tools bis hin zur Generierung von Bildern mit generativer KI werden hier einige gängige Methoden vorgestellt, mit denen synthetische Trainingsdaten für Computer-Vision-Modelle erstellt werden:
3D-Modellierung: Die Entwickler verwenden 3D-Software, um digitale Objekte und Szenen zu erstellen. Dies ermöglicht die volle Kontrolle über Dinge wie Beleuchtung, Kamerawinkel und Objektplatzierung und ist hilfreich für die Erstellung realistischer Bilder von Menschen, Fahrzeugen und Umgebungen.
Simulationen: Hier werden reale Situationen, wie z. B. Verkehr oder Fabrikumgebungen, mit Hilfe von physikalischen Maschinen nachgestellt. Simulationen sind nützlich für die sichere Erzeugung von Trainingsdaten in Bereichen wie Robotik und selbstfahrende Autos.
Generative kontradiktorische Netzwerke: GANs sind eine Art von Deep-Learning-Modell, das aus zwei Netzen besteht: einem, das Bilder erzeugt, und einem, das sie auswertet. Gemeinsam erzeugen sie hochrealistische Bilder, wie menschliche Gesichter oder Straßenansichten, indem sie von realen Beispielen lernen.
Prozedurale Generierung: Bei dieser Technik werden vordefinierte Regeln oder mathematische Modelle verwendet, um automatisch komplexe visuelle Strukturen wie Gelände, Gebäude oder Texturen zu erzeugen. Sie wird häufig in Spielen und Simulationsplattformen eingesetzt und kann große, vielfältige Datensätze mit minimalem menschlichem Einsatz erzeugen.
Bereichsrandomisierung: Es kann Dinge wie Beleuchtung, Farben und Objektformen in synthetischen Szenen zufällig ändern. Ziel dieser Technik ist es, dass sich die Modelle auf das Wesentliche konzentrieren und so besser an reale Umgebungen angepasst werden können.
Training von Vision AI-Modellen mit synthetischen Daten
Nachdem wir nun einige der verschiedenen Methoden zur Erstellung synthetischer Daten erörtert haben, wollen wir uns ansehen, wie diese für das Training von KI-Modellen verwendet werden.
Einmal generiert, können synthetische Daten in der Regel direkt in die Trainingspipeline integriert werden, genauso wie reale Daten. Sie enthalten in der Regel die notwendigen Annotationen wie Objektbeschriftungen, Bounding Boxes oder Segmentierungsmasken. Das bedeutet, dass sie für überwachte Lernaufgaben verwendet werden können, bei denen Modelle von beschrifteten Eingabe-Ausgabe-Paaren lernen, ohne dass eine manuelle Beschriftung erforderlich ist.
Während des Trainings verarbeitet das Modell synthetische Bilder, um zu lernen, Merkmale zu erkennen, Muster zu erkennen und Objekte zu klassifizieren. Diese Daten können verwendet werden, um eine erste Version des Modells von Grund auf zu erstellen oder um einen bestehenden Datensatz zu erweitern und so die Leistung des Modells zu verbessern.
In vielen Arbeitsabläufen werden synthetische Daten auch für das Pretraining verwendet, um den Modellen ein umfassendes Grundverständnis zu vermitteln, bevor sie mit realen Beispielen feinabgestimmt werden. Ebenso werden sie zur Erweiterung von Datensätzen verwendet, indem kontrollierte Variationen wie unterschiedliche Beleuchtungsbedingungen, Winkel oder seltene Objektklassen eingeführt werden, um die Generalisierung zu verbessern und eine Überanpassung zu reduzieren.
Durch die Kombination von synthetischen und realen Daten können Teams robustere Modelle trainieren, die unter einer Vielzahl von Bedingungen gut funktionieren und gleichzeitig die zeitaufwändige und teure manuelle Datenerfassung reduzieren.
Reale Anwendungen von synthetischen Daten in der Computer Vision
Da synthetische Daten immer praktischer und zugänglicher werden, werden sie allmählich in einer Vielzahl von realen Vision AI-Anwendungsfällen eingesetzt. Sehen wir uns einige der wichtigsten Anwendungen in der Computer Vision an, bei denen sie zum Einsatz kommen.
Verwendung synthetischer Daten für die Objekterkennung in autonomen Fahrzeugen
Um selbstfahrenden Autos ein sicheres Fahren beizubringen, müssen Modelle für eine Vielzahl von Szenarien trainiert werden, darunter auch seltene oder gefährliche Situationen. Das Sammeln von Daten aus der realen Welt für diese Grenzfälle kann jedoch schwierig und manchmal unsicher sein. Synthetische Daten können helfen, Szenen zu schaffen, in denen die Modelle lernen können, Objekte in schwierigen Situationen zu erkennen. Sie können auch verschiedene Sensorkonfigurationen nachahmen, was hilfreich ist, da nicht alle selbstfahrenden Autos die gleiche Hardware verwenden.
Die DRIVE Sim-Plattform von NVIDIA ist ein gutes Beispiel dafür. Sie erzeugt hochwertige synthetische Daten mit fotorealistischen 3D-Modellen, virtuellen Umgebungen und Sensorsimulationen. Außerdem kann sie aus einem einzigen Bild Bilder von mehreren Fahrwinkeln erzeugen. Die Verwendung synthetischer Daten wie dieser trägt dazu bei, den Bedarf an teuren realen Tests zu verringern und dem Modell dennoch die Vielfalt zu geben, die es braucht, um effektiv zu lernen.
Abb. 4. Erstellen mehrerer Fahransichten aus einem Bild(Quelle).
Verringerung von Verzerrungen bei der KI in der medizinischen Bildgebung durch synthetische Daten
Computer-Vision-Modelle wie Ultralytics YOLO11, die Aufgaben wie Objekterkennung und Instanzsegmentierung unterstützen, können für medizinische Bildgebungsanwendungen individuell trainiert werden. Allerdings enthalten reale Trainingsdaten oft Verzerrungen, da sie möglicherweise nicht alle demografischen Patientengruppen angemessen repräsentieren.
Beispielsweise wird Hautkrebs bei Personen mit dunklerer Hautfarbe seltener diagnostiziert, was zu einer begrenzten Datenlage für diese Bevölkerungsgruppen führt. Dieses Ungleichgewicht kann zu Fehldiagnosen und ungleichen Ergebnissen in der Gesundheitsversorgung beitragen, insbesondere in Bereichen wie Histopathologie, Röntgen der Brust und Dermatologie.
Synthetische Bilder können einen Beitrag dazu leisten, diese Datenlücke zu schließen. Durch die Generierung zusätzlicher, vielfältiger Beispiele, wie z. B. verschiedene Gewebeanomalien, ein breites Spektrum von Lungenerkrankungen und Hauttöne mit unterschiedlichen Läsionstypen, können synthetische Daten dazu beitragen, die Modellleistung bei unterrepräsentierten Gruppen zu verbessern.
Die Forscher arbeiten derzeit an der Entwicklung und Validierung synthetischer Datensätze, um diese Ziele zu unterstützen. Sie erforschen auch, wie synthetische Daten verwendet werden können, um medizinische Hilfsmittel und Behandlungsstrategien zu testen, ohne auf reale Patientenakten zurückgreifen zu müssen, um die Forschung zu beschleunigen und gleichzeitig die Privatsphäre der Patienten zu schützen. Durch diese Arbeit ebnen synthetische Daten den Weg für umfassendere, genauere und ethischere medizinische KI-Systeme.
Fortschrittliche landwirtschaftliche KI mit synthetischen Daten für die Präzisionslandwirtschaft
Der Aufbau von KI-Systemen für landwirtschaftliche Anwendungen hängt vom Zugang zu großen Mengen an beschrifteten Daten ab. Das Sammeln und Beschriften von Bildern von Pflanzen, Krankheiten und Feldbedingungen ist jedoch langsam, teuer und oft durch Faktoren wie das Wetter, die Vegetationsperiode oder die Schwierigkeit, bestimmte Gebiete zu erreichen, eingeschränkt.
Diese Herausforderungen erschweren das Trainieren von Bildverarbeitungsmodellen für Aufgaben wie die Erkennung von Pflanzenkrankheiten, die Überwachung von Nutzpflanzen oder die Vorhersage von Erträgen. Hier können synthetische Daten helfen, indem sie verschiedene landwirtschaftliche Umgebungen nachahmen, um nützliche Trainingsbeispiele zu generieren.
Abb. 5. Verwendung synthetischer Bilder für eine verbesserte Krankheitserkennung(Quelle).
Die wichtigsten Erkenntnisse
Die Verwendung synthetischer Daten stellt einen wichtigen Fortschritt beim Training von KI-Modellen dar, insbesondere für Computer-Vision-Systeme in Bereichen, in denen reale Daten nur begrenzt oder schwer zu beschaffen sind. Anstatt sich ausschließlich auf echte Fotos oder Videos zu verlassen, die teuer und zeitaufwändig sein können oder Bedenken hinsichtlich des Datenschutzes aufwerfen, können wir mit synthetischen Daten bei Bedarf realistische, beschriftete Bilder erzeugen.
Sie erleichtern das Training von KI-Modellen für Aufgaben wie autonomes Fahren, Krankheitserkennung oder Ernteüberwachung. Mit der weiteren Entwicklung der KI werden synthetische Daten eine noch größere Rolle bei der Beschleunigung von Innovationen und der Verbesserung der Zugänglichkeit in allen Branchen spielen.
