Amazon SageMaker AI पर सिंथेटिक डेटा से औद्योगिक सुरक्षा AI को बेहतर बनाना
aws ·
औद्योगिक सुरक्षा AI में अक्सर भारी मशीनरी के पास लोगों से जुड़ी दुर्लभ और खतरनाक परिस्थितियों के लिए प्रशिक्षण छवियों की कमी होती है, और ऐसी परिस्थितियों को डेटा संग्रह के लिए वास्तविक रूप से तैयार करना असुरक्षित, अनैतिक या अव्यावहारिक है। इस पोस्ट में Amazon SageMaker AI और Amazon Rekognition पर आधारित एक एंड-टू-एंड पाइपलाइन का वर्णन किया गया है, जो Qwen-Image-Edit-2509 की मदद से वास्तविक उपकरणों की छवियों में यथार्थवादी लोगों को जोड़ती है और फिर बाउंडिंग-बॉक्स लेबल अपने आप तैयार करती है। दृश्यों को पूरी तरह सिंथेटिक बनाने के बजाय वास्तविक दृश्यों से शुरुआत करके यह तरीका पृष्ठभूमि की वास्तविकता बनाए रखने और डोमेन गैप कम करने का लक्ष्य रखता है, साथ ही मैनुअल एनोटेशन से बचता है। OpenImages की ट्रेन छवियों को प्रॉक्सी डेटासेट और YOLO11 डिटेक्टरों के रूप में इस्तेमाल किए गए प्रयोगों में पाया गया कि डोमेन-संबंधित खतरनाक स्थानों पर सिंथेटिक लोगों को रखना, उन्हें पृष्ठभूमि में रखने की तुलना में अधिक लाभकारी था; प्रदर्शन 750 सिंथेटिक छवियों की जांच की गई मात्रा पर सबसे अच्छा रहा। इस सेटिंग में वास्तविक-डेटा-आधारित बेसलाइन की तुलना में व्यक्ति-पहचान mAP50 में 160 प्रतिशत सुधार हुआ, जबकि मध्यम YOLO11 मॉडल ने कुल मिलाकर सबसे अच्छा प्रदर्शन किया और बेसलाइन की तुलना में व्यक्ति रिकॉल को दोगुना कर दिया। लेखक सावधान करते हैं कि अतिरिक्त सिंथेटिक डेटा जनरेशन आर्टिफैक्ट ला सकता है और मॉडल की क्षमता उपलब्ध डेटा के अनुरूप होनी चाहिए। उन्होंने कोड और डिप्लॉयमेंट निर्देश एक GitHub रिपॉजिटरी में उपलब्ध कराए हैं।
aws