Industrielle Sicherheits-KI mit synthetischen Daten auf Amazon SageMaker AI verbessern
aws ·
Für KI-Anwendungen zur Arbeitssicherheit in der Industrie fehlen häufig Trainingsbilder für seltene, gefährliche Situationen, in denen sich Menschen in der Nähe schwerer Maschinen befinden; solche Szenen für die Datenerfassung nachzustellen, wäre unsicher, ethisch problematisch oder unpraktisch. Der Beitrag beschreibt eine durchgängige Pipeline auf Amazon SageMaker AI und Amazon Rekognition, die mithilfe von Qwen-Image-Edit-2509 reale Aufnahmen von Anlagen bearbeitet, um realistisch wirkende Menschen einzufügen, und anschließend automatisch Bounding-Box-Labels erzeugt. Durch den Ausgang von realen Szenen statt einer vollständig synthetischen Erstellung soll die Methode die Detailtreue des Hintergrunds bewahren und die Domänenlücke verringern, während eine manuelle Annotation vermieden wird. In Experimenten mit Trainingsbildern von OpenImages als Ersatzdatensatz und YOLO11-Detektoren war das Platzieren synthetischer Menschen an domänenrelevanten Gefahrenstellen hilfreicher als ihre Platzierung im Hintergrund; die beste Leistung wurde bei der getesteten Menge von 750 synthetischen Bildern erzielt. Diese Einstellung verbesserte den mAP50 für die Personenerkennung gegenüber der Baseline, die ausschließlich auf realen Daten beruhte, um 160 Prozent. Ein YOLO11-Modell mittlerer Größe erzielte die beste Gesamtleistung und verdoppelte den Recall für Personen im Vergleich zur Baseline. Die Autoren weisen darauf hin, dass zusätzliche synthetische Daten Erzeugungsartefakte einführen können und dass die Modellkapazität an die verfügbare Datenmenge angepasst werden sollte. Der Code und Anweisungen für die Bereitstellung werden in einem GitHub-Repository bereitgestellt.
aws