Повышение эффективности ИИ для промышленной безопасности с помощью синтетических данных в Amazon SageMaker AI
aws ·
В системах ИИ для промышленной безопасности часто не хватает обучающих изображений редких и опасных ситуаций, когда люди находятся рядом с тяжелой техникой, а постановка таких сцен для сбора данных небезопасна, неэтична или непрактична. В статье описывается сквозной конвейер на базе Amazon SageMaker AI и Amazon Rekognition, который редактирует изображения реального оборудования с помощью Qwen-Image-Edit-2509, добавляя реалистичных людей, а затем автоматически генерирует метки ограничивающих рамок. Используя реальные сцены, а не создавая их полностью синтетически, этот подход призван сохранять достоверность фона и уменьшать разрыв между доменами, избегая ручной разметки. В экспериментах с изображениями из обучающей выборки OpenImages в качестве прокси-датасета и детекторами YOLO11 размещение синтетических людей в опасных позициях, соответствующих предметной области, оказалось полезнее, чем размещение их на заднем плане, а наилучшие результаты были достигнуты при протестированном объеме в 750 синтетических изображений. При такой настройке показатель mAP50 для обнаружения людей вырос на 160% по сравнению с базовой моделью, обученной только на реальных данных, при этом средняя модель YOLO11 показала лучшие совокупные результаты и вдвое повысила полноту обнаружения людей относительно базового уровня. Авторы предупреждают, что дополнительные синтетические данные могут вносить артефакты генерации и что емкость модели должна соответствовать доступному объему данных; код и инструкции по развертыванию представлены в репозитории GitHub.
aws