一个做视觉检测的团队,手头有几百张正常样本,缺陷样本却少得可怜。继续采集?真实缺陷出现频率低,采集周期长,标注还依赖经验。于是有人提出:用生成模型造一批缺陷图,先把训练跑起来。这个场景里,合成数据不是炫技词,而是补样本缺口的一种工程手段。
它补的是分布,不是数量
如果只盯着数量,容易忽略分布。真实数据里有光照、材质、遮挡、传感器噪声,生成模型未必覆盖。合成数据真正有用的地方,是让训练集在稀缺维度上多几种变化,而不是把同一张图换个颜色重复很多遍。
问题在于,生成器也会偷懒。它倾向复制训练集中常见的纹理,对少见边缘、反光、细小裂纹处理得含糊。模型在生成样本上表现平稳,换到现场却可能失手。这不是合成数据本身的对错,而是验收方式没跟上。
先问用途,再谈比例
- 做预训练或冷启动时,生成样本可以承担探索性角色,帮助模型先形成粗糙边界。
- 对错误代价较高的判断,生成样本可以作为压力测试,而不是直接替代真实复核。
- 做标注预筛时,可以用它扩大候选集,但保留人工确认环节。
比例没有通用答案。团队需要记录每批生成样本的生成参数、覆盖范围、失败样式,并把真实集留作独立检验。若生成样本只参与训练、不参与评估,至少能减少自证循环。
边界在“像”之外
判断一批生成样本是否可用,不能只看图像是否逼真。实际要看它是否带来新的可分信息,是否让模型在真实留出集上稳定,是否暴露了原先没注意的边界条件。逼真只是入口,不是结论。
也要承认,这类样本会改变团队的工作方式。生成、筛选、复核、版本管理,每一步都需要人。它降低的是采集门槛,不是判断门槛。把它当万能补丁,容易在后期付出额外返工成本。
所以,回到开头那个团队:可以先小规模生成,限定用途,保留真实样本做独立验证。它能补上一部分缺口,但补不上对场景的理解。真正需要先想清楚的,是哪些缺口值得补,哪些缺口应该继续用真实采集解决。