Synthetic Data

Les données synthétiques sont des informations générées artificiellement qui imitent les propriétés statistiques, les modèles et les caractéristiques structurelles des données réelles. 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, chronophage ou restreinte par des réglementations sur la confidentialité. Contrairement aux données organiques récoltées à partir d'événements réels, les données synthétiques sont créées de manière algorithmique à l'aide de techniques telles que les simulations informatiques et des modèles génératifs avancés. D'ici 2030, les analystes de l'industrie chez Gartner prédisent que les données synthétiques surpasseront les données réelles dans les modèles d'IA, modifiant fondamentalement la façon dont les systèmes intelligents sont construits et déployés.

Link to this sectionLe 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 robustes de vision par ordinateur (CV) nécessite souvent des jeux de données massifs contenant des scénarios variés. Lorsque les données réelles sont rares — comme dans le diagnostic de maladies rares ou les accidents de la route aux cas limites dangereux — les données synthétiques comblent le fossé.

Générer ces données permet aux développeurs de créer des données d'entraînement parfaitement étiquetées à la demande. Cela inclut des BBox 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 résout les problèmes de 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 une performance de modèle plus équitable.

Link to this sectionApplications 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, au comportement erratique des piétons et à des configurations urbaines 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 réalistes d'analyse d'images médicales — tels que des radiographies ou des IRM — qui conservent les marqueurs de pathologie sans contenir aucune information personnellement identifiable. Cela permet aux chercheurs d'entraîner des modèles de détection de tumeurs en collaboration sans compromettre la confidentialité des patients.

Link to this sectionGénérer 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 graphismes 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 synthétiques est généré, il peut être utilisé pour entraîner des modèles de haute performance. L'exemple Python suivant démontre comment charger un modèle — potentiellement entraîné sur des données synthétiques — en utilisant le package 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()

Link to this sectionDonnées synthétiques vs augmentation de données#

Il est utile de distinguer les données synthétiques de l'augmentation de données, car ces deux techniques visent à agrandir 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 : utiliser des données synthétiques pour combler les lacunes du jeu de données et appliquer l'augmentation de données pendant l'entraînement pour maximiser la robustesse de modèles comme YOLO26.