Synthetic Data

Les données synthétiques sont des informations générées artificiellement qui immitent les propriétés statistiques, les motifs et les caractéristiques structurelles des données du monde réel. Dans les domaines en évolution rapide de l'intelligence artificielle (IA) et de l'apprentissage automatique (ML), ces données constituent une ressource essentielle lorsque la collecte de données authentiques est coûteuse, longue ou limitée par les réglementations en matière de confidentialité. Contrairement aux données organiques récoltées à partir d'événements du monde réel, les données synthétiques sont créées algorithmiquement à l'aide de techniques telles que les simulations informatiques et les modèles génératifs avancés. D'ici 2030, les analystes du secteur chez Gartner prévoient que les données synthétiques éclipseront les données réelles dans les modèles d'IA, modifiant fondamentalement la façon dont les systèmes intelligents sont construits et déployés.

Le rôle des données synthétiques dans le développement de l'IA#

Le principal moteur de l'utilisation de jeux de données synthétiques est de surmonter les limitations inhérentes à la collecte et à l'annotation de données traditionnelles. L'entraînement de modèles de vision par ordinateur (CV) robustes nécessite souvent des jeux de données massifs contenant divers scénarios. Lorsque les données du monde réel sont rares — comme dans le diagnostic de maladies rares ou les accidents de la route dangereux aux limites des cas — les données synthétiques comblent l'écart.

La génération de ces données permet aux développeurs de créer des données d'entraînement parfaitement étiquetées à la demande. Cela inclut des boîtes englobantes précises pour la détection d'objets ou des masques parfaits au pixel près pour la segmentation sémantique, éliminant l'erreur humaine souvent présente dans les processus d'étiquetage manuel. De plus, cela répond au biais dans l'IA en permettant aux ingénieurs d'équilibrer délibérément les jeux de données avec des groupes sous-représentés ou des conditions environnementales, garantissant ainsi des performances de modèle plus équitables.

Applications concrètes#

Les données synthétiques révolutionnent les secteurs où la confidentialité des données, la sécurité et l'évolutivité sont primordiales.

• Simulations de conduite autonome : Tester des véhicules autonomes uniquement dans le monde physique est risqué et géographiquement limité. Les entreprises utilisent des simulateurs photoréalistes, tels que NVIDIA Omniverse, pour entraîner leurs systèmes de perception. Ces simulateurs génèrent des milliards de kilomètres virtuels, exposant l'IA à des conditions météorologiques dangereuses, à un comportement erratique des piétons et à des agencements urbains complexes qu'il est difficile de capturer de manière cohérente dans le monde réel.
• Soins de santé et imagerie médicale : Les lois sur la confidentialité des patients comme HIPAA et GDPR réglementent strictement le partage des dossiers médicaux. Les données synthétiques permettent la création de jeux de données d'analyse d'images médicales réalistes — tels que des radiographies ou des examens par IRM — qui conservent les marqueurs de pathologie sans contenir d'informations personnellement identifiables. Cela permet aux chercheurs d'entraîner des modèles de détection de tumeurs en collaboration sans compromettre la confidentialité des patients.

Générer des données synthétiques pour la vision par IA#

La création de données synthétiques de haute qualité implique souvent deux approches principales : les moteurs de simulation et l'IA générative. Les moteurs de simulation, comme Unity Engine, utilisent des graphiques 3D pour rendre des scènes avec un éclairage et des textures basés sur la physique. Alternativement, les modèles génératifs, tels que les réseaux antagonistes génératifs (GAN) et les modèles de diffusion, apprennent la distribution des données réelles pour synthétiser de nouveaux exemples photoréalistes.

Une fois qu'un jeu de données synthétique est généré, il peut être utilisé pour entraîner des modèles de haute performance. L'exemple Python suivant montre comment charger un modèle — potentiellement entraîné sur des données synthétiques — à l'aide du paquet ultralytics pour effectuer une inférence sur une image.

from ultralytics import YOLO

# Load the YOLO26 model (latest stable generation for superior accuracy)
model = YOLO("yolo26n.pt")

# Run inference on a source image (this could be a synthetic validation image)
results = model("https://ultralytics.com/images/bus.jpg")

# Display the detection results to verify model performance
results[0].show()

Données synthétiques vs augmentation de données#

Il est utile de distinguer les données synthétiques de l'augmentation de données, car les deux techniques visent à étendre les jeux de données mais fonctionnent différemment.

• L'augmentation de données implique d'appliquer des transformations — telles que le retournement, la rotation, le recadrage ou l'ajustement des couleurs — à des images réelles existantes pour créer de légères variations. Elle repose sur la source de données originale.
• Les données synthétiques impliquent la création d'instances de données entièrement nouvelles à partir de zéro en utilisant des algorithmes ou des simulations. Elles ne nécessitent pas strictement une image originale pour chaque sortie, permettant ainsi la génération de scénarios qui n'ont jamais été capturés par une caméra.

Les flux de travail modernes sur la Plateforme Ultralytics combinent souvent les deux approches : l'utilisation de données synthétiques pour combler les lacunes dans le jeu de données et l'application de l'augmentation de données pendant l'entraînement pour maximiser la robustesse de modèles tels que YOLO26.