Synthetic Data

Синтетические данные — это искусственно созданная информация, имитирующая статистические свойства, закономерности и структурные характеристики реальных данных. В стремительно развивающихся областях искусственного интеллекта (ИИ) и машинного обучения (ML) эти данные служат важнейшим ресурсом, когда сбор достоверных данных обходится дорого, занимает много времени или ограничен правилами конфиденциальности. В отличие от органических данных, получаемых из реальных событий, синтетические данные создаются алгоритмически с использованием таких методов, как компьютерное моделирование и передовые генеративные модели. Аналитики Gartner прогнозируют, что к 2030 году синтетические данные затмят реальные в моделях ИИ, что фундаментально изменит способы создания и развертывания интеллектуальных систем.

Link to this sectionРоль синтетических данных в разработке ИИ#

Основным стимулом для использования синтетических наборов данных является преодоление ограничений, присущих традиционному сбору и аннотированию данных. Для обучения надежных моделей компьютерного зрения (CV) часто требуются огромные наборы данных, содержащие разнообразные сценарии. Когда реальных данных недостаточно — например, при диагностике редких заболеваний или опасных дорожно-транспортных происшествий, — синтетические данные восполняют этот пробел.

Генерация таких данных позволяет тебе создавать идеально размеченные обучающие данные по запросу. Это включает точные ограничивающие рамки (bbox) для обнаружения объектов или попиксельные маски для семантической сегментации, что устраняет человеческие ошибки, часто встречающиеся при ручной разметке. Кроме того, это помогает бороться с предвзятостью в ИИ, позволяя инженерам намеренно балансировать наборы данных с учетом недостаточно представленных групп или условий окружающей среды, обеспечивая более справедливую работу модели.

Link to this sectionРеальные приложения#

Синтетические данные совершают революцию в отраслях, где конфиденциальность данных, безопасность и масштабируемость имеют первостепенное значение.

• Симуляции автономного вождения: Тестирование автономных транспортных средств исключительно в физическом мире рискованно и географически ограничено. Компании используют фотореалистичные симуляторы, такие как NVIDIA Omniverse, для обучения своих систем восприятия. Эти симуляторы генерируют миллиарды виртуальных миль, подвергая ИИ воздействию опасных погодных условий, непредсказуемого поведения пешеходов и сложных городских планировок, которые трудно стабильно зафиксировать в реальном мире.
• Здравоохранение и медицинская визуализация: Законы о конфиденциальности пациентов, такие как HIPAA и GDPR, строго регулируют обмен медицинскими записями. Синтетические данные позволяют создавать реалистичные наборы данных для анализа медицинских изображений — например, рентгеновских снимков или МРТ, — которые сохраняют признаки патологии, не содержа при этом никакой личной информации. Это позволяет исследователям совместно обучать модели для обнаружения опухолей, не нарушая конфиденциальность пациентов.

Link to this sectionГенерация синтетических данных для Vision AI#

Создание высококачественных синтетических данных часто включает два основных подхода: движки симуляции и генеративный ИИ. Движки симуляции, такие как Unity Engine, используют 3D-графику для рендеринга сцен с физически корректным освещением и текстурами. В качестве альтернативы, генеративные модели, такие как генеративно-состязательные сети (GAN) и диффузионные модели, изучают распределение реальных данных для синтеза новых фотореалистичных примеров.

После того как синтетический набор данных сгенерирован, его можно использовать для обучения высокопроизводительных моделей. Следующий пример на Python демонстрирует, как загрузить модель, возможно, обученную на синтетических данных, с помощью пакета ultralytics для выполнения инференса на изображении.

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 sectionСинтетические данные против аугментации данных#

Полезно различать синтетические данные и аугментацию данных, так как оба метода направлены на расширение наборов данных, но работают по-разному.

• Аугментация данных включает применение преобразований, таких как отражение, поворот, кадрирование или коррекция цвета, к существующим реальным изображениям для создания небольших вариаций. Она опирается на исходный источник данных.
• Синтетические данные подразумевают создание совершенно новых экземпляров данных с нуля с использованием алгоритмов или симуляций. Для них не требуется исходное изображение для каждого результата, что позволяет генерировать сценарии, которые никогда не были запечатлены камерой.

Современные рабочие процессы на платформе Ultralytics часто сочетают оба подхода: использование синтетических данных для заполнения пробелов в наборе данных и применение аугментации данных во время обучения для максимального повышения надежности таких моделей, как YOLO26.