Synthetic Data Generation
Sentetik veri üretimi; simülatörler, prosedürel kurallar, üretken modeller ve LLM'lerle, çoğu zaman kesin etiketlere sahip yapay eğitim verileri oluşturur.
Sentetik veri üretimi; bir makine öğrenmesi modelinin eğitiminde veya testinde kullanılmak üzere simülatör, prosedürel kurallar ya da üretici model kullanarak yapay görüntüler, videolar, sensör okumaları, tablolar veya metinler oluşturma sürecidir. Bu sürecin çıktısı sentetik veridir; üretim süreci, dört seçimle verinin kalitesini belirler: örnekleri hangi yöntemin oluşturduğu, etiketlerin nasıl eklendiği, her sahnenin ne ölçüde çeşitlendirildiği ve sonucun gerçek verilerle nasıl karşılaştırıldığı. Bilgisayarlı görü alanında en büyük avantaj, her nesneyi yerleştiren bir üreticinin nesneye ait veri anotasyonunu da tam ve ücretsiz olarak oluşturabilmesidir.
Başlıca Üretim Yöntemleri#
Simülatörler varlıklardan bir 3B sahne oluşturur, sahnenin ışıklandırmasını, malzemelerini ve kamerasını ayarlar; sahne açıklaması her şeyin konumunu kaydettiği için görüntülerle birlikte kesin maskeler, derinlik haritaları ve sınırlayıcı kutular üretir. CARLA gibi açık kaynaklı sürüş simülatörleri, otonom araçlar için kamera, LiDAR ve radar akışları üretir; robotik simülatörleri de kavrama ve navigasyon için aynı şeyi yapar. Alan rastgeleleştirme, dokuları, ışıklandırmayı ve pozları farklı görüntülerde değiştirerek bu verilerle eğitilen modellerin gerçek kameralara aktarılmasını sağlar.
Prosedürel üretim, eksiksiz bir sahne yerine betikler ve kurallar kullanır. Carnegie Mellon Üniversitesi'nin 2017 tarihli "Cut, Paste and Learn" makalesiyle popülerleşen kes-yapıştır birleştirme, bölütlenmiş nesne kırpıntılarını yeni arka planlara yapıştırır ve yapıştırılan her kutuyu etiket olarak kaydeder. En basit sürüm, şekilleri rastgele konumlara çizer ve üretici çizdiği her nesnenin etiketini yazar:
import cv2
import numpy as np
rng = np.random.default_rng(0)
boxes = 0
for i in range(100):
# Random background color, then one to four contrasting discs in separate quadrants so none overlap
background = rng.integers(0, 256, 3)
image = np.full((320, 320, 3), background, dtype=np.uint8)
labels = []
for qx, qy in [(0, 0), (160, 0), (0, 160), (160, 160)][: rng.integers(1, 5)]:
r = int(rng.integers(10, 40))
x, y = qx + int(rng.integers(r, 160 - r)), qy + int(rng.integers(r, 160 - r))
color = (background + rng.integers(64, 193, 3)) % 256
cv2.circle(image, (x, y), r, color.tolist(), thickness=-1)
# The generator placed the disc, so its normalized box label is exact and free
labels.append(f"0 {x / 320:.4f} {y / 320:.4f} {2 * r / 320:.4f} {2 * r / 320:.4f}")
cv2.imwrite(f"synthetic_{i:03d}.jpg", image)
with open(f"synthetic_{i:03d}.txt", "w") as f:
f.write("\n".join(labels))
boxes += len(labels)
print(f"wrote 100 images with {boxes} exact box labels")wrote 100 images with 256 exact box labels değerini yazdırır. Her satır YOLO etiket biçimini izler ve sınıfı, kutunun merkezini, genişliğini ve yüksekliğini görüntü boyutuna oranlanmış değerler olarak saklar; bu veriler için insan etiketleyici gerekmez.
Üretici modeller, gerçek verilerin görünümünü öğrenir ve bu verilerden yeni örnekler üretir. Üretici çekişmeli ağlar (GAN'ler) ve difüzyon modelleri, gürültüden, metin isteminden veya referans görüntüden fotogerçekçi görüntüler üretir; ControlNet gibi koşullandırma yöntemleri ise nesne konumlarının bilinmesi için düzeni sabitler. Bu koşullandırma olmadan, üretilen görüntülerin sonradan etiketlenmesi gerekir. Tablolar için istatistiksel sentezleyiciler, Gauss kopulaları, Bayes ağları veya CTGAN (NeurIPS 2019) gibi koşullu GAN'lerle gerçek kayıtların ortak dağılımına uyar ve ardından yeni satırlar örnekler.
Büyük dil modelleri yönergeler, diyaloglar, kod alıştırmaları ve akıl yürütme izleri gibi metin verileri üretir. Microsoft, 1,3 milyar parametreli bir kod modeli olan phi-1 modelini, filtrelenmiş web metninden 6 milyar token ve GPT-3.5 tarafından yazılmış ders kitapları ile alıştırmalardan 1 milyar token kullanarak eğitti; model HumanEval karşılaştırmasında %50,6 pass@1 sonucuna ulaştı.
Yöntem Seçimi ve Doğrulama#
Yöntem, verinin içermesi gerekenlere göre belirlenir ve her yöntem gerçek verilerle aynı kontrolle sonlanır:
Doğrulama, üretilen veriler üzerinde tek başına veya gerçek verilerle karıştırılarak bir model eğitir ve Ultralytics'in kusur algılama için NVIDIA Cosmos sentetik veri kıyaslamalarında olduğu gibi modeli yalnızca elde tutulmuş gerçek test verileri üzerinde değerlendirir. Sentetik verilerin payı arttıkça gerçek görüntülerdeki doğruluk düşüyorsa üreticide gerçekçilik veya kapsam açığı vardır; Fréchet Inception Distance (FID) gibi görüntü düzeyindeki puanlar bu açığı bulmaya yardımcı olur. Gerçek veriler üzerinde eğitilen üreticiler bu verileri ezberleyebilir; bu nedenle gizliliğe duyarlı işlem hatları üretilen kayıtları özgünleriyle karşılaştırır ve bazıları eğitime diferansiyel gizlilik ekler.
Ultralytics Platform, Benzer Görüntüler Oluştur işlemiyle veri kümesi yönetimine üretim özelliği ekler. Bu işlem, veri kümesinden bir görüntü alır, görüntüden esinlenen yeni sahnelerin açıklamalarını yazar ve isteğe bağlı olarak ışıklandırma, bakış açısı, arka plan veya nesneler gibi değiştirilecek unsurlar hakkında yönergeleri izleyerek her açıklama için varsayılan olarak Ultralytics Image 4B modeliyle bir görüntü üretir; her seferinde 1 ila 16 görüntü üretilebilir. Tutulan görüntüler etiketsiz olarak anotasyona hazır biçimde veri kümesine eklenir.
Sentetik Veri Üretimi ve İlgili Terimler#
- Veri artırma: Eğitim sırasında mevcut gerçek örnekleri yansıtma, kırpma veya renk kaydırma gibi işlemlerle dönüştürür; böylece her çıktı tek bir özgün örneğe bağlı kalır.
- Üretici AI: İçerik oluşturan modellerin daha geniş alanıdır. Üretici modeller; simülatörler ve prosedürel kuralların yanı sıra sentetik veri kaynaklarından biridir.
- Sentetik veri: Üretim sürecinin oluşturduğu veri kümesidir; gerçek verilere bağlılığı, eğitimdeki faydası ve koruduğu gizlilik ölçütlerine göre değerlendirilir.










