Migliorare l’IA per la sicurezza industriale con dati sintetici su Amazon SageMaker AI
aws ·
L’IA per la sicurezza industriale spesso non dispone di immagini di addestramento per situazioni rare e pericolose che coinvolgono persone vicino a macchinari pesanti; allestire queste scene per raccogliere dati è rischioso, non etico o impraticabile. Il post descrive una pipeline end-to-end basata su Amazon SageMaker AI e Amazon Rekognition che modifica immagini reali di apparecchiature con Qwen-Image-Edit-2509 per inserire persone realistiche, generando automaticamente le etichette dei riquadri di delimitazione. Partendo da scene reali anziché crearle interamente in modo sintetico, l’approccio mira a preservare la fedeltà dello sfondo e a ridurre il divario di dominio, evitando al contempo l’annotazione manuale. Negli esperimenti, che hanno utilizzato immagini di addestramento di OpenImages come dataset proxy e rilevatori YOLO11, inserire persone sintetiche in posizioni pericolose pertinenti al dominio si è rivelato più vantaggioso che collocarle sullo sfondo; le prestazioni hanno raggiunto il picco con il volume testato di 750 immagini sintetiche. Questa configurazione ha migliorato del 160% il valore mAP50 per il rilevamento delle persone rispetto alla baseline basata esclusivamente sui dati reali, mentre un modello YOLO11 di dimensioni medie ha ottenuto le migliori prestazioni complessive e ha raddoppiato il recall delle persone rispetto alla baseline. Gli autori avvertono che ulteriori dati sintetici possono introdurre artefatti di generazione e che la capacità del modello dovrebbe essere adeguata ai dati disponibili, presentando al contempo il codice e le istruzioni per la distribuzione in un repository GitHub.
aws