Synthetic Data

合成データは、現実世界のデータの統計的プロパティ、パターン、構造的特性を模倣する、人工的に生成された情報です。人工知能 (AI) および 機械学習 (ML) の急速に進化する分野において、このデータは、本物のデータの収集が費用のかかる場合、時間がかかる場合、またはプライバシー規制によって制限されている場合に、重要なリソースとして機能します。現実世界のイベントから収集された有機的なデータとは異なり、合成データは、コンピュータシミュレーションや高度な生成モデルなどの技術を使用してアルゴリズム的に作成されます。Gartnerの予測によると、2030年までに、合成データはAIモデルにおいて実際のデータを凌駕し、インテリジェントシステムの構築とデプロイの方法を根本的に変革するとされています。

AI開発における合成データの役割#

合成データセットを利用する主な原動力は、従来のデータ収集とアノテーションに内在する制限を克服することです。ロバストなコンピュータビジョン (CV) モデルをトレーニングするには、多くの場合、多様なシナリオを含む大規模なデータセットが必要です。稀少な疾患の診断や危険なエッジケースの交通事故など、現実世界のデータが不足している場合、合成データがそのギャップを埋めます。

このデータを生成することで、開発者はオンデマンドで完全にラベル付けされたトレーニングデータを作成できます。これには、オブジェクト検出のための正確なバウンディングボックスや、セマンティックセグメンテーションのためのピクセルパーフェクトなマスクが含まれ、手動によるラベリングプロセスでよく見られるヒューマンエラーが排除されます。さらに、エンジニアが過小評価されているグループや環境条件でデータセットを意図的にバランスさせることができるため、AIにおけるバイアスに対処し、より公平なモデルパフォーマンスを確保できます。

実社会での応用#

合成データは、データのプライバシー、安全性、およびスケーラビリティが最優先される業界に革命をもたらしています。

• 自動運転シミュレーション： 自動運転車を物理世界だけでテストすることは、リスクが高く、地理的に制限されます。企業は、NVIDIA Omniverse などのフォトリアルなシミュレータを使用して、知覚システムをトレーニングします。これらのシミュレータは、何十億もの仮想マイルを生成し、現実世界で一貫して捉えることが難しい危険な気象条件、不規則な歩行者の行動、複雑な都市レイアウトにAIをさらします。
• ヘルスケアおよび医療画像： HIPAA や GDPR などの患者プライバシー法は、医療記録の共有を厳しく規制しています。合成データを使用すると、個人を特定できる情報を含めずに病変のマーカーを保持する、X線やMRIスキャンなどの現実的な医療画像分析データセットを作成できます。これにより、研究者は患者の機密性を損なうことなく、腫瘍検出モデルを共同でトレーニングできます。

ビジョンAIのための合成データ生成#

高品質な合成データの作成には、通常、シミュレーションエンジンと生成AIという2つの主なアプローチが含まれます。Unity Engine などのシミュレーションエンジンは、3Dグラフィックスを使用して、物理ベースの照明とテクスチャでシーンをレンダリングします。あるいは、Generative Adversarial Networks (GANs) や 拡散モデル などの生成モデルは、実データの分布を学習して、新しくフォトリアルな例を合成します。

合成データセットが生成されると、それを使用して高性能モデルをトレーニングできます。次のPythonの例は、ultralytics パッケージを使用して、合成データでトレーニングされた可能性のあるモデルをロードし、画像に対して推論を実行する方法を示しています。

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()

合成データとデータ拡張の比較#

合成データとデータ拡張を区別することは有用です。どちらの手法もデータセットを拡張することを目的としていますが、機能が異なるためです。

• データ拡張 とは、反転、回転、切り抜き、色調整などの変換を 既存の 実世界の画像に適用して、わずかなバリエーションを作成することを指します。これは元のデータソースに依存します。
• 合成データ とは、アルゴリズムやシミュレーションを使用してゼロから完全に 新しい データインスタンスを作成することです。すべての出力に対して元の画像を厳密に必要としないため、カメラで捉えられたことのないシナリオを生成することが可能です。

Ultralytics Platform 上のモダンなワークフローでは、両方のアプローチを組み合わせることがよくあります。つまり、合成データを使用してデータセットのギャップを埋め、トレーニング中にデータ拡張を適用して YOLO26 などのモデルのロバスト性を最大化します。