一条产线一年也碰不上几次真正的缺陷,但模型偏偏需要见过足够多的坏样本,才学得会分辨好坏。类似的困境在很多做视觉、语音、决策的团队里都出现过:数据不是没有,而是挤在少数几种常见情况上,罕见的那部分几乎采不到。于是有人把希望放到人工生成的那批样本上。
缺的往往不是数量,是分布
真实数据的问题很少是“总量太少”,更多是“偏”。晴天多、雨天少;正常件多、异常件少;平静语气多、急促语气少。模型在偏斜的数据上训练,学到的其实是采集条件,而不是任务本身。生成的样本之所以有用,是因为它能把长尾的那一段补起来,让模型在训练阶段就见过它以后可能遇到的情形。
所以在动手之前,值得先问一句:我缺的是数量,还是缺某些条件下的样本?如果是前者,把采集流程和标注规范理顺,往往比生成更省事;如果是后者,生成才有位置。
保真度和多样性之间的取舍
生成的东西要骗得过模型,但不能只骗得过模型。太贴近真实样本,多样性不足,模型学到的只是同几张图的变体;太追求随机,纹理和物理关系容易失真,模型反而学到生成器自己的偏好。常见做法是在两者之间找平衡:守住关键的物理约束,放开次要因素。
难点不在生成模型本身,而在你能否说清楚“哪些因素是关键的”。说不清这一点,生成出来的数据看着热闹,训练时却可能把噪声一起喂进去。
一个常被忽略的坑:拿它同时当训练集和考卷
用生成数据训练,又用同一批生成数据评估,指标会很好看,上线后却容易失手。原因是模型和评估集共享了生成器的偏差。验证和评估这一环,应当留给真实样本,哪怕数量少、覆盖窄,它至少反映的是现场的样子。
落地前可以按这个顺序过一遍
- 明确要补的是哪一类条件,而不是笼统的“更多数据”
- 让真实样本独占验证与评估环节
- 检查生成结果是否存在系统性偏差,例如同类缺陷总落在同一位置
- 混训比例逐步调整,观察真实集上的指标是否真的在动
- 保留可回溯的生成参数,出问题时能定位到是哪一批数据
合成数据不是一条捷径,它更像是把成本从现场采集转移到了建模环节。判断是否要用它,标准可以很简单:如果不生成,你还有别的办法拿到那批样本吗?如果答案是“很难”,它值得一试;如果答案是“只是麻烦”,那就先去把那件麻烦的事做完。