Synthetic Data Generation

Synthetic Data Generation（合成データ生成）とは、実際の個人やイベントを含まずに、現実世界のデータの統計的特性やパターンを模倣した人工的なデータセットを作成するプロセスです。artificial intelligence (AI)やmachine learning (ML)の領域において、この手法はデータの希少性、プライバシーの懸念、およびバイアスを克服するための不可欠な基盤となっています。イベントの発生を記録することに依存する従来のデータ収集とは異なり、合成データ生成ではアルゴリズム、シミュレーション、生成モデルを使用して高忠実度のデータをオンデマンドで作成します。このアプローチは、堅牢なcomputer vision (CV)モデルをトレーニングするために特に重要です。なぜなら、開発者は現実世界では稀なケース、危険なケース、または収集コストが高いケースに対して、完璧にラベル付けされた大量のtraining dataを作成できるからです。

Link to this section合成生成の仕組み#

合成データ生成を支える中核技術には、高度な生成AIアーキテクチャが含まれることがよくあります。これらのシステムは、少数の実データのサンプルを分析して、その根底にある構造と相関関係を理解します。モデルがこれらの分布を学習すると、それに基づいてサンプリングを行い、新しい独自のインスタンスを生成できるようになります。

主に2つの手法が主流となっています：

• コンピュータシミュレーション： ビジョンタスクにおいて、開発者はビデオゲームで使用されるものと同様の3Dグラフィックスエンジンを使用して、フォトリアリスティックなシーンをレンダリングします。これにより、照明、天候、およびオブジェクトの配置を正確に制御できます。コンピュータがシーンを生成するため、object detection用のバウンディングボックスのような完璧なアノテーションも自動的に生成され、手動のdata annotationが不要になります。
• 深層生成モデル： Generative Adversarial Networks (GANs)やdiffusion modelsといったアーキテクチャは、非常にリアルな画像や表形式データを合成できます。例えば、NVIDIA researchersはこれらのモデルを活用して、自律型マシンのための多様なトレーニング環境を作成しています。

Link to this sectionAIにおける現実世界の応用#

合成データ生成は、データがボトルネックとなっている業界を変革しています。

• 自動運転： 自動運転車のトレーニングには数十億マイル分の走行データが必要です。これを物理的に収集することは不可能です。その代わり、企業は合成環境を使用して、子供がボールを追って通りに飛び出す場面や、太陽からの眩しい光といった危険なエッジケースをシミュレートします。これにより、autonomous vehicleの認識システムは、実際の道路ではめったに遭遇しない可能性のある重要なシナリオに対して確実にトレーニングされます。
• ヘルスケアおよび医療画像： HIPAAのような患者のプライバシーに関する法律は、医療記録の共有を厳格に制限しています。合成生成を利用することで、研究者は腫瘍などの疾患の生物学的マーカーを保持しつつ、実際の患者とは完全に切り離されたX線やMRIスキャンのデータセットを作成できます。これにより、患者の機密性を損なうことなく、医療画像解析ツールの開発が可能になります。

Link to this sectionUltralytics YOLO26とのシナジー#

合成データをワークフローに統合することで、Ultralytics YOLO26のような最先端モデルのパフォーマンスを大幅に向上させることができます。現実世界のデータセットに合成データによる例を補完することで、新しい環境に対するモデルの汎化能力を高めることが可能です。

以下は、現実データと合成データの混合でトレーニングされた可能性のあるモデルをロードして推論を実行する方法を示すPythonの例です。

from ultralytics import YOLO

# Load a YOLO26 model (trained on diverse synthetic and real data)
model = YOLO("yolo26n.pt")

# Run inference on an image to verify detection capabilities
# Synthetic training helps models handle varied lighting and angles
results = model("https://ultralytics.com/images/bus.jpg")

# Display the resulting bounding boxes and confidence scores
results[0].show()

Link to this section合成データとデータ拡張の区別#

どちらの技術もデータセットを拡張することを目的としていますが、合成データ生成とデータ拡張を区別することは重要です。

• データ拡張は、既存の現実世界の画像を取り込み、反転、回転、色調の変化などを行ってバリエーションを作成します。これは、元のキャプチャから厳密に派生したものです。
• 合成データ生成は、完全に新しいデータポイントをゼロから作成します。生成時に実際のソース画像との1対1の対応関係を必要としないため、物理的に存在したことのないシーンを作成することが可能です。

Link to this sectionベストプラクティスと課題#

合成データを効果的に使用するには、「シム・トゥ・リアル（Sim-to-Real）」の転送可能性を確保することが極めて重要です。これは、合成データでトレーニングされたモデルが現実世界の入力に対してどれだけうまく機能するかを指します。もし合成データが実際の画像のテクスチャやノイズに欠けている場合、モデルはデプロイ時に失敗する可能性があります。これを緩和するために、開発者はドメインランダム化のような手法を使用し、シミュレーション内のテクスチャや照明を変化させることで、モデルが特定のアーティファクトに頼るのではなく、形状に基づく特徴を学習するように強制します。

Ultralytics Platformを使用することで、チームはこれらのハイブリッドデータセットを管理し、モデルのパフォーマンスを監視し、合成データの取り込みが平均精度（mAP）などの精度指標を実際に向上させていることを確認できます。Gartnerが指摘するように、合成データは急速に有能なAIシステムを構築するための標準的な要件になりつつあり、より公平で、より堅牢で、バイアスの少ないモデルをトレーニングするための道を提供しています。