¿Qué son los datos sintéticos en la visión artificial? Una visión general

Los datos siempre han sido un factor determinante en campos como la analítica y la inteligencia artificial (IA). De hecho, la forma en que recopilamos, generamos y usamos los datos está dando forma al futuro de los sistemas inteligentes. Por ejemplo, los coches autónomos dependen de millones de imágenes etiquetadas y lecturas de sensores, desde señales de tráfico hasta movimientos de peatones, para aprender a navegar por las carreteras de forma segura.

Uno de los tipos de datos más vitales que impulsan este progreso, especialmente en áreas como los vehículos autónomos y la seguridad, son los datos visuales, como imágenes y vídeos.

En concreto, el campo de la inteligencia artificial que permite a las máquinas interpretar esta información visual se denomina computer vision. Ayuda a los sistemas a comprender y analizar las entradas visuales de forma muy similar a como lo hacen los humanos, dando soporte a tareas como el reconocimiento facial, la detección de señales de tráfico y el análisis de imágenes médicas.

Sin embargo, reunir conjuntos de datos visuales de alta calidad y a gran escala del mundo real puede llevar mucho tiempo, ser costoso y, a menudo, plantear problemas de privacidad. Por eso, los investigadores están explorando activamente el concepto de aprovechar los datos sintéticos.

Los Synthetic data hacen referencia a elementos visuales generados de forma artificial que imitan con gran precisión imágenes y vídeos del mundo real. Se crean utilizando técnicas como el modelado 3D, simulaciones por ordenador y métodos de inteligencia artificial generativa como las Generative Adversarial Networks (GANs), que aprenden patrones a partir de datos reales para producir nuevos ejemplos realistas.

Se espera que los datos sintéticos desempeñen un papel fundamental en el AI development próximamente; de hecho, Gartner predice que para 2030 serán más esenciales que los datos del mundo real. En este artículo exploraremos qué son los datos sintéticos en el contexto de la computer vision, cómo se generan y dónde se están aplicando en escenarios reales. ¡Empecemos!

¿Qué son los datos sintéticos en visión artificial?#

Supón que quieres entrenar un vision AI model para detectar objetos en diversos entornos y condiciones. Depender únicamente de datos del mundo real puede resultar difícil y, en ocasiones, limitante.

Por otro lado, los datos sintéticos se pueden utilizar para crear el conjunto de datos adecuado que contenga objetos en varias condiciones creadas artificialmente. Utilizando herramientas como el 3D modeling y simulaciones, los desarrolladores pueden generar imágenes con un control preciso sobre factores como la iluminación, los ángulos y la colocación de los objetos. Esto, a su vez, ofrece una mayor flexibilidad para el entrenamiento de modelos en comparación con los datos del mundo real.

Los datos sintéticos son especialmente útiles cuando recopilar datos del mundo real resulta difícil o imposible. Por ejemplo, entrenar un modelo para reconocer a personas en una amplia gama de posturas, como correr, agacharse o tumbarse, requeriría capturar miles de fotos en muchos entornos, ángulos y condiciones de iluminación diferentes.

Por otro lado, con los datos sintéticos, los desarrolladores pueden generar fácilmente estas variaciones con etiquetas precisas, ahorrando tiempo y esfuerzo mientras mejoran el rendimiento del modelo.

Fig 1. Un conjunto de datos sintéticos con diferentes posturas humanas y variaciones de iluminación (source).

Datos sintéticos frente a reales en IA#

A continuación, vamos a examinar más de cerca las diferencias entre los datos sintéticos y los datos reales. Ambos tienen sus ventajas y desventajas a la hora de training AI models.

Por ejemplo, los datos sintéticos son útiles cuando es difícil recopilar datos reales, pero es posible que no capturen todos los pequeños detalles de la vida real. Al mismo tiempo, los datos reales son más auténticos, pero pueden ser difíciles de obtener, lentos de etiquetar y es posible que no cubran todas las situaciones.

Al combinar datos sintéticos y reales, los desarrolladores pueden obtener lo mejor de ambos mundos. Este equilibrio ayuda a que los modelos de IA aprendan con mayor precisión, se generalicen mejor en distintos escenarios y reduzcan el sesgo.

Fig 2. Datos sintéticos frente a reales en IA. Imagen del autor.

Un vistazo a la generación de datos para modelos de visión artificial#

Desde la construcción de mundos virtuales con herramientas 3D hasta la generación de imágenes mediante inteligencia artificial generativa, aquí tienes algunos métodos comunes utilizados para crear training data sintéticos para modelos de computer vision:

• Modelado 3D: Los desarrolladores utilizan software 3D para crear objetos y escenas digitales. Esto permite un control total sobre aspectos como la iluminación, los ángulos de cámara y la colocación de objetos, y es útil para generar imágenes realistas de personas, vehículos y entornos.
• Simulaciones: Recrean situaciones del mundo real, como el tráfico o entornos de fábrica, utilizando motores basados en la física. Las simulaciones son útiles para generar de forma segura datos de entrenamiento en campos como la robótica y los coches autónomos.
• Redes generativas antagónicas: Las GANs son un tipo de modelo de aprendizaje profundo compuesto por dos redes: una que crea imágenes y otra que las evalúa. Juntas, generan imágenes altamente realistas, como rostros humanos o vistas de calles, aprendiendo a partir de ejemplos reales.
• Generación procedimental: Esta técnica utiliza reglas predefinidas o modelos matemáticos para generar automáticamente estructuras visuales complejas como terrenos, edificios o texturas. Se utiliza a menudo en plataformas de juegos y simulación y puede producir conjuntos de datos diversos y a gran escala con una mínima intervención humana.
• Aleatorización de dominio: Puede cambiar aleatoriamente aspectos como la iluminación, los colores y las formas de los objetos en escenas sintéticas. El objetivo de esta técnica es ayudar a los modelos a centrarse en lo que realmente importa, haciéndolos más adaptables a los entornos del mundo real.

Fig 3. Ejemplos de datos: (a) basados en modelos 3D, (b) escenas sintéticas multiobjeto y (c) imágenes de conjuntos de datos reales (source).

Entrenamiento de modelos de IA de visión con datos sintéticos#

Ahora que hemos comentado algunos de los diferentes métodos utilizados para crear datos sintéticos, veamos cómo se utilizan para entrenar modelos de IA.

Una vez generados, los datos sintéticos suelen poder integrarse directamente en el proceso de entrenamiento de la misma forma que los datos del mundo real. Normalmente incluyen las anotaciones necesarias, como etiquetas de objetos, cuadros delimitadores o máscaras de segmentación, lo que significa que pueden utilizarse para tareas de aprendizaje supervisado, donde los modelos aprenden a partir de pares de entrada-salida etiquetados, sin necesidad de etiquetado manual.

Durante el entrenamiento, el modelo procesa imágenes sintéticas para aprender a detectar características, reconocer patrones y clasificar objetos. Estos datos pueden utilizarse para crear una versión inicial del modelo desde cero o para enriquecer un conjunto de datos existente, ayudando a mejorar el rendimiento del modelo.

En muchos flujos de trabajo, los datos sintéticos también se utilizan para el preentrenamiento, proporcionando a los modelos una base amplia antes de ser ajustados con ejemplos del mundo real. Del mismo modo, se utilizan para aumentar los conjuntos de datos introduciendo variaciones controladas, como diferentes condiciones de iluminación, ángulos o clases de objetos raros, para mejorar la generalización y reducir el sobreajuste.

Al combinar datos sintéticos y reales, los equipos pueden entrenar modelos más robustos que funcionan bien en una amplia gama de condiciones, todo ello mientras reducen la dependencia de esfuerzos de recopilación de datos manuales, costosos y lentos.

Aplicaciones en el mundo real de los datos sintéticos en visión artificial#

A medida que los datos sintéticos se vuelven más prácticos y accesibles, empezamos a ver su adopción en una gran variedad de casos de uso reales de visión artificial. Vamos a explorar algunas de las applications in computer vision más impactantes en las que se están utilizando.

Uso de datos sintéticos para la detección de objetos en vehículos autónomos#

Enseñar a los coches autónomos a conducir de forma segura requiere entrenar modelos en una amplia gama de escenarios, incluidas situaciones poco frecuentes o peligrosas. Sin embargo, recopilar datos del mundo real para estos casos límite puede ser complicado y, a veces, inseguro. Los datos sintéticos pueden ayudar a crear escenas donde los modelos aprendan a detect objetos en situaciones difíciles. También pueden imitar diferentes configuraciones de sensores, lo cual resulta útil dado que no todos los coches autónomos utilizan el mismo hardware.

La plataforma NVIDIA’s DRIVE Sim es un claro ejemplo de ello. Genera datos sintéticos de alta calidad mediante el uso de modelos 3D fotorrealistas, entornos virtuales y simulaciones de sensores. También es capaz de generar imágenes desde múltiples ángulos de conducción a partir de una sola imagen. El uso de este tipo de datos sintéticos ayuda a reducir la necesidad de realizar costosas pruebas en el mundo real, al tiempo que proporciona al modelo la variedad que necesita para aprender de manera eficaz.

Fig 4. Creación de múltiples vistas de conducción a partir de una única imagen (source).

Reducción del sesgo en la IA de imágenes médicas con datos sintéticos#

Los modelos de computer vision como Ultralytics YOLO11, que dan soporte a tareas como la detección de objetos y la segmentación de instancias, se pueden entrenar a medida para aplicaciones de imagen médica. Sin embargo, los datos de entrenamiento del mundo real suelen contener sesgos, ya que es posible que no representen adecuadamente a pacientes de todos los grupos demográficos.

Por ejemplo, el skin cancer se diagnostica con menos frecuencia en personas con tonos de piel más oscuros, lo que se traduce en datos limitados para dichas poblaciones. Este desequilibrio puede contribuir a diagnósticos erróneos y a resultados sanitarios desiguales, especialmente en campos como la histopatología, las radiografías de tórax y la dermatología.

Las imágenes sintéticas pueden desempeñar un papel en dar un paso hacia cerrar esta brecha en los datos. Al generar ejemplos adicionales y diversos, como variadas anomalías tisulares, una amplia gama de afecciones pulmonares y tonos de piel con diferentes tipos de lesiones, los datos sintéticos pueden ayudar a mejorar el rendimiento del modelo en grupos subrepresentados.

Los investigadores trabajan actualmente en el desarrollo y la validación de conjuntos de datos sintéticos para respaldar estos objetivos. También están explorando cómo se pueden utilizar los datos sintéticos para test medical tools y estrategias de tratamiento sin depender de historiales médicos reales de pacientes, lo que ayuda a acelerar la investigación al tiempo que protege la privacidad de los mismos. A través de este trabajo, los datos sintéticos abren el camino hacia sistemas de inteligencia artificial médica más inclusivos, precisos y éticos.

Promoción de la IA agrícola con datos sintéticos para la agricultura de precisión#

La construcción de sistemas de IA de visión para aplicaciones agrícolas depende del acceso a grandes cantidades de datos etiquetados. Sin embargo, recopilar y etiquetar imágenes de cultivos, enfermedades y condiciones del campo es lento, costoso y a menudo limitado por factores como el clima, las temporadas de cultivo o la dificultad de acceso a determinadas zonas.

Estos retos dificultan el entrenamiento de modelos de computer vision para gestionar tareas como la detección de enfermedades en las plantas, el monitoring crops o la predicción de cosechas. Ahí es donde los datos sintéticos pueden ayudar, imitando diferentes entornos agrícolas para generar ejemplos de entrenamiento útiles.

Fig 5. Uso de imágenes sintéticas para una mejor detección de enfermedades (source).

Conclusiones clave#

El uso de datos sintéticos representa un importante paso adelante en el entrenamiento de modelos de IA, especialmente para los sistemas de visión artificial en áreas donde los datos del mundo real son limitados o difíciles de obtener. En lugar de depender únicamente de fotos o vídeos reales, que pueden ser costosos, lentos o plantear problemas de privacidad, los datos sintéticos nos permiten generar imágenes realistas y etiquetadas bajo demanda.

Facilita el entrenamiento de modelos de IA de visión para tareas como la conducción autónoma, la detección de enfermedades o la monitorización de cultivos. A medida que la IA sigue evolucionando, los datos sintéticos están llamados a desempeñar un papel aún mayor en la aceleración de la innovación y la mejora de la accesibilidad en todas las industrias.

Obtén más información sobre inteligencia artificial en nuestro GitHub repository y únete a nuestra creciente community. Descubre el impacto de aplicaciones como AI in autonomous vehicles y computer vision in agriculture. Explora nuestras opciones de licensing y da vida a tus proyectos de visión artificial.