Synthetic Data

Синтетические данные — это искусственно генерируемая информация, имитирующая статистические свойства, закономерности и структурные характеристики данных из реального мира. В стремительно развивающихся областях искусственного интеллекта (AI) и машинного обучения (ML) эти данные служат критически важным ресурсом, когда сбор подлинных данных является дорогостоящим, трудоёмким или ограничен требованиями конфиденциальности. В отличие от органических данных, полученных из событий реального мира, синтетические данные создаются алгоритмически с помощью таких методов, как компьютерное моделирование и передовые генеративные модели. По прогнозу Gartner, к 2030 году синтетические данные превзойдут реальные данные в моделях AI, что коренным образом изменит подходы к созданию и развёртыванию интеллектуальных систем.

Роль синтетических данных в разработке AI#

Основная причина использования синтетических наборов данных — преодолеть ограничения, присущие традиционным процессам сбора и аннотирования данных. Для обучения надёжных моделей компьютерного зрения (CV) часто требуются огромные наборы данных с разнообразными сценариями. Когда данных из реального мира недостаточно — например, при диагностике редких заболеваний или анализе опасных аварий в исключительных дорожных ситуациях, — синтетические данные восполняют этот пробел.

Генерация таких данных позволяет разработчикам создавать идеально размеченные [обучающие данные](https://ultralytics-translation-0.invalid по запросу. Сюда входят точные ограничивающие рамки для обнаружения объектов и маски с точностью до пикселя для семантической сегментации, что устраняет человеческие ошибки, часто встречающиеся при ручной разметке. Кроме того, этот подход помогает устранить предвзятость в AI, позволяя инженерам намеренно сбалансировать наборы данных за счёт недостаточно представленных групп или условий окружающей среды и обеспечить более справедливую работу моделей.

Практические применения#

Синтетические данные преобразуют отрасли, в которых конфиденциальность данных, безопасность и масштабируемость имеют первостепенное значение.

• Симуляции автономного вождения: Тестирование автономных транспортных средств исключительно в физическом мире рискованно и ограничено географически. Компании используют фотореалистичные симуляторы, такие как NVIDIA Omniverse, для обучения систем восприятия. Эти симуляторы генерируют миллиарды виртуальных километров, подвергая AI воздействию опасных погодных условий, непредсказуемого поведения пешеходов и сложной городской застройки, которые трудно стабильно воспроизводить 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, но не содержат никакой персонально идентифицируемой информации. Благодаря этому исследователи могут совместно обучать модели обнаружения опухолей, не нарушая конфиденциальность пациентов.

Генерация синтетических данных для Vision AI#

Создание высококачественных синтетических данных обычно включает два основных подхода: движки симуляции и генеративный AI. Движки симуляции, например Unity Engine, используют 3D-графику для визуализации сцен с физически корректным освещением и текстурами. В качестве альтернативы генеративные модели, такие как генеративно-состязательные сети (GANs) и диффузионные модели, изучают распределение реальных данных, чтобы синтезировать новые фотореалистичные примеры.

После генерации синтетического набора данных его можно использовать для обучения высокопроизводительных моделей. В следующем примере на Python показано, как загрузить модель, потенциально 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()

Синтетические данные и расширение данных#

Полезно отличать синтетические данные от расширения данных, поскольку оба метода предназначены для увеличения наборов данных, но работают по-разному.

• Расширение данных предполагает применение к существующим изображениям из реального мира таких преобразований, как отражение, поворот, обрезка или изменение цвета, для создания небольших вариаций. Этот метод опирается на исходный источник данных.
• Синтетические данные предполагают создание полностью новых экземпляров данных с нуля с помощью алгоритмов или симуляций. Для каждого результата не обязательно требуется исходное изображение, поэтому можно генерировать сценарии, которые никогда не фиксировались камерой.

Современные рабочие процессы на Ultralytics Platform часто объединяют оба подхода: синтетические данные используются для восполнения пробелов в наборе данных, а расширение данных применяется во время обучения, чтобы максимально повысить устойчивость таких моделей, как YOLO26.