采风全网
达观天下

一年只出现两次的缺陷,能不能靠合成数据补上

一年只出现两次的缺陷

产线上的质检模型卡在同一个地方:某种划痕一年只出现两三次,样本凑不满一页。工程师把历史照片翻来覆去地看,能用的标注不过几十张,训练出来的模型在验证集上表现尚可,一到现场就开始漏检。类似的情况在视觉检测、自动驾驶、语音识别里反复出现:问题不在算法,而在训练材料不足。

于是有了另一种做法:不去等真实样本,而是把场景造出来。三维渲染可以控制光照角度、遮挡比例、相机位置;仿真环境能批量生成带精确标注的画面;生成模型则从少量真实样本里学出纹理,再变化出新的组合。这些被造出来的训练材料,就是通常所说的合成数据。

它真正的用处是可控

合成数据被需要的地方,往往在于可控,而不在数量。真实采集的数据里,光照、角度、背景、遮挡纠缠在一起,想单独确认模型是否害怕逆光,很难。而在生成流程里,逆光是一个可以拨动的参数;只改一个变量、其他条件保持不变,模型表现的差异才有解释力。工业上把这叫消融,做起来费时,但比事后猜测更可靠。

另一个常被低估的好处是可复现。同一份生成脚本、同一个随机种子,半年后还能重跑出同样的训练集,出了问题可以回溯到具体哪一批样本。真实数据做不到这一点——相机挪了位置,季节换了,那批数据就再也采不回来。

代价转移到了别处

麻烦在于,造出来的东西和拍出来的东西之间存在差异,通常叫分布偏移。渲染的划痕边缘太干净,生成的雨滴不会在镜头上留下水膜,这些细节在训练时看不见,部署时才暴露。所以合成数据并没有消灭标注和验证的工作量,它只是把工作从采集与标注挪到了评估与校准。不少团队低估了后半段。

还有一种更隐蔽的风险:如果生成规则本身带着假设,造出来的样本会把这个假设放大。想让模型学会识别罕见缺陷,于是按自己理解的样子生成缺陷,结果模型学会的是你对缺陷的理解。至于用模型自己的输出反复训练导致退化的问题,公开讨论已经不少,稳妥的做法是保留真实数据的锚点,不让生成流程闭环自转。

先问缺的是什么

回到开头那个场景:值得先问的,是要不要用合成数据,还是缺的到底是数量,还是覆盖范围。如果是后者,投入是值得的,因为可以主动去补那些边缘情况;如果只是想让指标好看一点,把生成样本混进验证集,那更像是把问题往后推了一个季度。

我的看法是,它属于设计出来的训练材料,而非真实数据的替代品。用它之前,最好把生成规则、失败模式、以及哪些边界没被覆盖,一并写进文档。这几样写不清楚,后面所有关于效果的讨论都会悬空。

免责声明:市场有风险,选择需谨慎!此文仅供参考,不作买卖依据。如有侵权请联系删除。
文章名称:一年只出现两次的缺陷,能不能靠合成数据补上
文章链接:https://tech.cfdanews.com/ai/1972.html