Mejorar la IA para la seguridad industrial con datos sintéticos en Amazon SageMaker AI
aws ·
La IA para la seguridad industrial suele carecer de imágenes de entrenamiento de situaciones poco frecuentes y peligrosas en las que hay personas cerca de maquinaria pesada, y recrear esas escenas para recopilarlas es inseguro, poco ético o impráctico. El artículo describe una canalización integral en Amazon SageMaker AI y Amazon Rekognition que edita imágenes reales de equipos con Qwen-Image-Edit-2509 para insertar personas realistas y, posteriormente, genera automáticamente etiquetas de cuadros delimitadores. Al partir de escenas reales en lugar de crearlas completamente de forma sintética, el método busca conservar la fidelidad del fondo y reducir la brecha de dominio, evitando al mismo tiempo la anotación manual. En experimentos con imágenes de entrenamiento de OpenImages como conjunto de datos representativo y detectores YOLO11, colocar personas sintéticas en posiciones peligrosas relevantes para el dominio resultó más beneficioso que colocarlas en el fondo, y el rendimiento alcanzó su máximo con un volumen probado de 750 imágenes sintéticas. Esa configuración mejoró en un 160 % el mAP50 de detección de personas frente a la línea base basada únicamente en datos reales, mientras que un modelo YOLO11 mediano logró el mejor rendimiento agregado y duplicó la recuperación de personas respecto de la línea base. Los autores advierten que los datos sintéticos adicionales pueden introducir artefactos de generación y que la capacidad del modelo debe corresponderse con los datos disponibles, y presentan el código y las instrucciones de implementación en un repositorio de GitHub.
aws