Améliorer l’IA de sécurité industrielle grâce aux données synthétiques sur Amazon SageMaker AI
aws ·
Les systèmes d’IA dédiés à la sécurité industrielle manquent souvent d’images d’entraînement représentant des situations rares et dangereuses où des personnes se trouvent à proximité de machines lourdes, et la mise en scène de telles situations pour les collecter est dangereuse, contraire à l’éthique ou peu pratique. L’article décrit un pipeline de bout en bout sur Amazon SageMaker AI et Amazon Rekognition qui modifie des images réelles d’équipements avec Qwen-Image-Edit-2509 afin d’y insérer des personnes réalistes, puis génère automatiquement les annotations de boîtes englobantes. En partant de scènes réelles plutôt qu’en les créant entièrement de manière synthétique, cette approche vise à préserver la fidélité des arrière-plans et à réduire l’écart de domaine, tout en évitant l’annotation manuelle. Lors d’expériences utilisant des images d’entraînement d’OpenImages comme jeu de données de substitution et des détecteurs YOLO11, le placement de personnes synthétiques dans des positions dangereuses pertinentes pour le domaine s’est révélé plus bénéfique que leur placement à l’arrière-plan, et les performances ont atteint leur maximum avec le volume testé de 750 images synthétiques. Dans cette configuration, le mAP50 de détection des personnes a augmenté de 160 % par rapport à la référence utilisant uniquement des données réelles, tandis qu’un modèle YOLO11 de taille moyenne a obtenu les meilleures performances globales et a doublé le rappel des personnes par rapport à la référence. Les auteurs avertissent que l’ajout de données synthétiques peut introduire des artefacts de génération et que la capacité du modèle doit être adaptée aux données disponibles, tout en présentant le code et les instructions de déploiement dans un dépôt GitHub.
aws