Aprimorando a IA de segurança industrial com dados sintéticos no Amazon SageMaker AI
aws ·
A IA de segurança industrial frequentemente carece de imagens de treinamento para situações raras e perigosas envolvendo pessoas próximas a máquinas pesadas, e encenar essas cenas para coletá-las é inseguro, antiético ou impraticável. O texto descreve um pipeline completo no Amazon SageMaker AI e no Amazon Rekognition que edita imagens reais de equipamentos com o Qwen-Image-Edit-2509 para inserir pessoas realistas e, em seguida, gera automaticamente rótulos de caixas delimitadoras. Ao partir de cenas reais, em vez de criá-las inteiramente de forma sintética, a abordagem busca preservar a fidelidade do plano de fundo e reduzir a lacuna de domínio, evitando também a anotação manual. Em experimentos que utilizaram imagens de treinamento do OpenImages como conjunto de dados substituto e detectores YOLO11, inserir pessoas sintéticas em posições perigosas relevantes para o domínio foi mais benéfico do que inseri-las no plano de fundo, e o desempenho atingiu o pico no volume testado de 750 imagens sintéticas. Essa configuração melhorou o mAP50 de detecção de pessoas em 160% em relação à linha de base usando apenas dados reais, enquanto um modelo YOLO11 médio alcançou o melhor desempenho agregado e dobrou o recall de pessoas em comparação com a linha de base. Os autores alertam que dados sintéticos adicionais podem introduzir artefatos de geração e que a capacidade do modelo deve corresponder aos dados disponíveis, ao mesmo tempo que apresentam o código e as instruções de implantação em um repositório do GitHub.
aws