Разработка системы генерации синтетических данных для Computer Vision

Генерация синтетических данных для Computer Vision

Реальная разметка 10 000 изображений с полигональными масками стоит месяцы работы аннотаторов и немалые деньги. При этом мирового нет: у клиента 400 размеченных фото дефектов на конвейере, а модель YOLOv8 с таким объёмом выдаёт [email protected] = 0.51. Синтетические данные — не замена реальным, но инструмент, который закрывает этот разрыв без найма армии разметчиков. Наш опыт показывает, что правильно спроектированный пайплайн генерации синтетики повышает mAP на 30–50% по сравнению с обучением только на реальных данных. Экономия на разметке достигает 80%.

Синтетические данные — это искусственно сгенерированные изображения или видео, имитирующие реальные сцены. Они создаются через 3D-рендеринг, генеративные модели (GAN, диффузионные модели) или аугментацию. Подробнее о концепции можно прочитать в Wikipedia.

Как выбрать метод генерации синтетических данных?

3D-рендеринг даёт более предсказуемое качество разметки, чем GAN, но требует в 2-3 раза больше времени на подготовку. Copy-paste аугментация в 10 раз дешевле ручной разметки при одинаковом объёме.

Когда синтетика реально помогает, а когда нет

Три сценария, где синтетика даёт измеримый прирост:

• Дисбаланс классов. На производственной линии редкий дефект встречается раз в 5 000 единиц. Recall по этому классу — 0.23. Генерация 2 000 синтетических экземпляров через copy-paste аугментацию на реальных фонах поднимает recall до 0.71 без изменения архитектуры.

• Privacy-ограничения. Медицинские снимки, документы, лица — там реальные данные либо нельзя использовать вне защищённого контура, либо их объём клинически мал. GAN или диффузионная генерация с соблюдением распределения — рабочий выход.

• Новая задача без исторических данных. Склад ещё не построен, робот ещё не куплен, а модель нужна к запуску. Рендеринг 3D-сцен в Blender/NVIDIA Omniverse даёт первую обученную модель заранее.

Синтетика не помогает, если domain gap слишком велик — модель, обученная на рендере, ложится на реальных фото без domain adaptation.

Какие инструменты для генерации используются?

3D-рендеринг

NVIDIA Omniverse Replicator — наиболее зрелый инструмент для CV-синтетики. Позволяет генерировать изображения с автоматической разметкой: bounding boxes, маски сегментации, depth maps, normal maps — всё из одного пайплайна. Рандомизация материалов, освещения, положения камеры встроена. Согласно официальной документации, генерация сцены с 10 000 объектов занимает 2 дня.

import omni.replicator.core as rep with rep.new_layer(): # Рандомизация положения объекта cube = rep.create.cube(semantics=[("class", "defect")]) with rep.trigger.on_frame(num_frames=5000): with cube: rep.modify.pose( position=rep.distribution.uniform((-50, 0, -50), (50, 0, 50)), rotation=rep.distribution.uniform((0, -180, 0), (0, 180, 0)) ) rep.randomizer.lights() 

Blender + Python scripting — более гибкий вариант для кастомных сцен. Достаточно базового знания Blender API и скрипта для batch-рендера.

GAN и диффузионные модели

Stable Diffusion с ControlNet — генерация фотореалистичных изображений по маскам или скелетам. Для CV-задач актуально: задаёшь маску дефекта, получаешь вариации текстуры и освещения на этой маске.

StyleGAN3 — хорошо работает для лиц и медицинских изображений с контролируемой вариативностью. FID (Fréchet Inception Distance) < 10 достигается на датасетах от 10 000 реальных образцов.

Pix2Pix / CycleGAN — domain transfer: из синтетики в реалистичное изображение. Помогает закрыть domain gap без повторной разметки.

Copy-paste аугментация

Самый дешёвый метод для детекции — вырезать реальный объект и вставить на разные фоны. Библиотека albumentations с CopyPasteAugmentation или кастомный скрипт. При корректном смешении (Gaussian blur на краях, согласование освещения) прирост mAP — 5–15% без единой новой разметки.

Почему валидация на реальных данных критична?

Главная ошибка — смешивать синтетику в val/test сет. Оценка модели должна проводиться только на реальных данных. Иначе метрики выглядят красиво, а в production модель не работает.

Метрики для оценки качества синтетики:

• FID — близость распределений синтетики и реальных данных (< 30 — приемлемо)
• KID (Kernel Inception Distance) — более устойчив на малых выборках
• Перенос через модель: обучи на синтетике, протестируй на реальных — это единственный честный тест

Какой объём синтетических данных нужен?

На практике, добавление 5-10 тысяч синтетических изображений к 500 реальным часто даёт прирост mAP на 10-15%. Для редких классов может потребоваться до 20 тысяч. Важно не смешивать синтетику в валидационную выборку.

Кейс: детекция дефектов стекла

Наш клиент — производитель автомобильных стёкол. Задача дефектоскопии: выявление царапин, сколов, пузырей, включений, трещин и мутности. Исходный датасет: 380 реальных изображений, размеченных bounding boxes. Классы сильно несбалансированы — класс «включение» представлен всего 23 экземплярами.

Исходная модель YOLOv8m с предобученными весами на COCO. Результат после fine-tuning на реальном датасете: [email protected]:0.95 = 0.38, recall по классу «включение» = 0.19.

Решение:

1. 3D-моделирование дефектов в Blender: промышленный дизайнер создал 12 высокодетализированных моделей (сколы, трещины, пузыри) с разными материалами и текстурами.
2. Рендеринг 8 000 изображений с рандомизацией: 3 типа освещения (top, side, backlight), 5 углов камеры, случайное положение на конвейерной ленте. Использован Cycles engine для фотореалистичности.
3. Copy-paste для редких классов: вырезали реальные включения с 20 исходных фото, вставили на 3 000 синтетических фонов с применением Gaussian blur и цветокоррекции.
4. Domain adaptation через CycleGAN: перевели стиль рендеров в стиль реальных фото линии (custom dataset из 200 реальных кадров). Это снизило FID с 45 до 22.
5. Финальный датасет: 380 реальных + 11 000 синтетических. Разбивка 80/10/10 только на реальных данных в val/test.

Гиперпараметры обучения YOLOv8m:

• batch size = 16, imgsz = 640, optimizer = AdamW (lr=1e-3)
• mosaic augmentation, mixup (0.2), copy-paste (0.5)
• early stopping patience = 10 эпох, max эпох = 100
• trained on single NVIDIA A100 (80 GB) — обучение заняло 4.5 часа

Результаты на real test set:

Экономия: стоимость синтетической генерации (серверное время + дизайнер) оказалась в несколько раз ниже ручной разметки 11 000 изображений, что позволило снизить бюджет на подготовку датасета.

Что входит в работу

• Аудит исходных данных и постановка задачи
• Выбор оптимального метода генерации (3D-рендеринг / GAN / copy-paste)
• Разработка пайплайна генерации с автоматической разметкой
• Domain adaptation для снижения domain gap
• Валидация качества на реальных данных
• Интеграция в ваш MLOps-пайплайн
• Документация и обучение команды

Сроки

Стоимость рассчитывается индивидуально в зависимости от объёма и сложности. Наш опыт — 5+ лет в Computer Vision, 20+ проектов по синтетическим данным. Гарантируем прозрачную отчётность и поддержку после внедрения.

Получите консультацию по вашему проекту — мы поможем подобрать оптимальный метод генерации и оценим сроки. Свяжитесь с нами для оценки вашей задачи. Мы подготовим коммерческое предложение в течение одного рабочего дня.