利用 Amazon SageMaker AI 上的合成数据提升工业安全 AI
aws ·
工业安全 AI 往往缺乏涉及人员靠近重型机械的罕见危险场景训练图像,而为了采集这类图像搭建相应场景既不安全、不合乎伦理,也不切实际。该文章介绍了一套基于 Amazon SageMaker AI 和 Amazon Rekognition 的端到端流程:使用 Qwen-Image-Edit-2509 编辑真实设备图像,插入逼真的人员,然后自动生成边界框标注。该方法从真实场景出发,而不是完全合成场景,旨在保持背景的真实性、缩小领域差距,同时避免人工标注。在使用 OpenImages 训练图像作为代理数据集并采用 YOLO11 检测器的实验中,将合成人员放置在与领域相关的危险位置,比将其放在背景中更有益;在测试的数量范围内,使用 750 张合成图像时性能达到峰值。与仅使用真实数据的基线相比,这一设置使人员检测 mAP50 提升了 160%;其中,中型 YOLO11 模型的综合性能最佳,人员召回率达到基线的两倍。作者提醒,额外的合成数据可能引入生成伪影,模型容量也应与可用数据量相匹配;同时,文章在 GitHub 仓库中提供了代码和部署说明。
aws