一条检测产线要训练模型识别表面缺陷,问题是某一类缺陷一个月只出现几次。样本少、标注贵,模型怎么都学不稳。工程师试过加采样、调阈值,收效有限,最后把目光转向仿真渲染和生成模型——让机器先造出一批样本,把缺口填上。
缺的往往不是总量,是稀少的那一小撮
多数工业场景里,数据的分布是偏的:正常件堆积如山,异常件寥寥无几。用这样的数据训练,模型很容易学会“全判正常”,因为它在大多数情况下都能得分。合成数据的吸引力不在于规模,而在于它能让这些稀疏情形变得可反复触及。
但稀缺之所以稀缺,往往有原因。异常件背后是工艺波动、设备状态、环境差异,这些因素很难在生成时被完整还原。如果只按“看起来像”来造,造出来的可能是一种理想化的异常,与现场那种带着杂质和偶然性的异常并不一致。
两条路,错的地方不一样
常见的做法可粗略分为两类。一类基于物理与规则:按光学、材质、几何关系渲染图像,好处是每个参数都能追溯,坏处是对真实世界的建模永远简化;另一类基于生成模型:从已有数据中学到分布,再采样出新样本,好处是形态自然,坏处是它连同数据里的偏差一起学了进去。
两条路的错误来源不同,这一点常被忽略。前者错在“世界没建对”,后者错在“历史没代表性”。混用时若不区分,出了问题很难定位。
麻烦挪到了验证那一端
合成数据把成本从采集挪到了验证,这是一次账目转移,不是凭空消失。真实数据采集贵在人力与时间,但它的价值在于“它就是发生过的事”;生成样本便宜,可你要为它付出一份新的责任:说清楚它为什么可信。
- 留一小份真实数据做验收,别用合成数据去验证合成数据,那等于自证。
- 记录生成参数、模型版本与来源,否则半年后没人说得清这批样本是怎么来的。
- 混合比例不要一次跳太多,观察模型在真实样本上的表现是否随之一致。
- 涉及个人信息的场景,“合成”不等于“匿名”,原始数据的痕迹可能仍在。
一种更朴素的看法
合成数据改变的不是真实数据的重要性,而是它的位置——从训练量的主体,退到校准的锚点。判断一次投入划不划算,与其看省下多少标注工时,不如看省下的这部分有没有变成新的验证负担。如果验证环节反而更重,那只是把问题往后推。
回到那条产线。模型最终上线,人还是得盯着,遇到没见过的形态照样要复核。合成数据让起步变得容易一些,也让“我们凭什么相信它”这个问题变得更尖锐。它没有替谁减轻责任,只是把责任换了个位置放。