દરેક કમ્પ્યુટર વિઝન ટીમ આખરે એક જ દિવાલ પર અથડાય છે: તમને જે ડેટાની સૌથી વધુ જરૂર છે તે ડેટા તમને મળી શકતો નથી. આંતરછેદ પર લગભગ ચૂકી જવાનું. દસ હજાર યુનિટમાં એક વાર દેખાતી ખામી. આ દૃશ્ય ખૂબ જ ખતરનાક, ખૂબ જ દુર્લભ, અથવા કેમેરામાં કેદ કરવા માટે ખૂબ જ ખાનગી છે.
આ તે જગ્યા છે જ્યાં કૃત્રિમ ડેટા તેનું સ્થાન મેળવે છે - કમ્પ્યુટર-જનરેટેડ છબીઓ અને દ્રશ્યો જે વાસ્તવિક દુનિયાના સંગ્રહ સુધી પહોંચી શકતા નથી તે ખાલી જગ્યાઓ ભરે છે. પરંતુ કૃત્રિમ ડેટા એક સાધન છે, શોર્ટકટ નહીં, અને જે ટીમો તેને મફત લંચ તરીકે માને છે તેઓ ઉત્પાદનમાં તેની નિષ્ફળતાની રીતો શોધી કાઢે છે. તે ક્યારે મદદ કરે છે, ક્યારે તે વિપરીત અસર કરે છે અને તેનો સારી રીતે ઉપયોગ કેવી રીતે કરવો તે અહીં સ્પષ્ટ નજર છે.

જ્યારે તમને જરૂર હોય ત્યારે સિન્થેટિક ડેટાનો ઉપયોગ કરો
પાંચ પરિસ્થિતિઓ સતત કૃત્રિમ ડેટા સુધી પહોંચવાને યોગ્ય ઠેરવે છે.

દુર્લભ કિસ્સાઓ. નજીકની ભૂલો, અસામાન્ય ઑબ્જેક્ટ ક્રિયાપ્રતિક્રિયાઓ, અસામાન્ય દૃશ્યો - સલામતી અને મજબૂતાઈ માટે સૌથી મહત્વપૂર્ણ ઘટનાઓ એ જ છે જે તમારા વાસ્તવિક ડેટાસેટમાં ભાગ્યે જ હોય છે. સિન્થેટિક જનરેશન તમને એવી ઘટનાના હજાર પ્રકારો બનાવવા દે છે જે તમે ફક્ત બે વાર જોઈ હોય.
નિયંત્રિત કવરેજ. વાસ્તવિક દુનિયાનો સંગ્રહ તમને લાઇટિંગ, બેકગ્રાઉન્ડ, ઓક્લુઝન લેવલ અને કેમેરા એંગલ આપે છે જે તમે કેપ્ચર કર્યા છે. સિન્થેટિક પાઇપલાઇન્સ તમને તે ચલોને વ્યવસ્થિત રીતે સાફ કરવા દે છે - દરેક સૂર્ય કોણ, દરેક આંશિક ઓક્લુઝન, દરેક લેન્સ ઊંચાઈ - જેથી કવરેજ અકસ્માતને બદલે ડિઝાઇન નિર્ણય બની જાય.
ઝડપી પુનરાવર્તન. જ્યારે તમે પૂર્ણ-સ્કેલ સંગ્રહ પહેલાં મોડેલને બુટસ્ટ્રેપ કરી રહ્યા છો, ત્યારે કૃત્રિમ ડેટાને મહિનાઓ કરતાં દિવસોમાં પ્રથમ સંસ્કરણ તાલીમ આપવામાં આવે છે. તમે સંગ્રહ બજેટ ખર્ચ કરો તે પહેલાં તમે શીખી શકો છો કે મોડેલ શું સંઘર્ષ કરે છે.
ગોપનીયતા અને પાલનની મર્યાદાઓ. સંવેદનશીલ વાતાવરણમાં જ્યાં વાસ્તવિક કેપ્ચર પ્રતિબંધિત છે - હોસ્પિટલો, શાળાઓ, કડક ગોપનીયતા નિયમોવાળા કાર્યસ્થળો - કૃત્રિમ દ્રશ્યો પાઇપલાઇનમાં એક પણ વાસ્તવિક ચહેરો અથવા ઓળખ વિના તાલીમ સંકેત પ્રદાન કરે છે.
વર્ગ સંતુલન સપોર્ટ. જ્યારે કેટલાક વર્ગોનું પ્રતિનિધિત્વ ખરાબ રીતે ઓછું હોય છે, ત્યારે મોડેલો અસ્થિર રીતે તાલીમ આપે છે અને લઘુમતીને અવગણે છે. કૃત્રિમ ઉદાહરણો તાલીમ સ્થિરતા પુનઃસ્થાપિત કરવા માટે ઓછા પ્રતિનિધિત્વવાળા વર્ગોને પ્રોત્સાહન આપી શકે છે.
સાવધાન: સિન્થેટિક ઉલટાવી શકે છે જો
હવે પ્રામાણિક વાત. કૃત્રિમ ડેટા અનુમાનિત રીતે નિષ્ફળ જાય છે, અને જો તમે જોવાનું જાણો છો તો તેમાંથી દરેક ટાળી શકાય છે.

વિઝ્યુઅલ્સ સેન્સર રિયાલિટી સાથે મેળ ખાતા નથી. તમારા ડિપ્લોયમેન્ટ કેમેરામાં અવાજ, ઝાંખપ અને લેન્સ આર્ટિફેક્ટ્સ છે. જો તમારી કૃત્રિમ છબીઓ તમારા સેન્સર દ્વારા ઉત્પન્ન થતી કોઈપણ વસ્તુ કરતાં વધુ સ્વચ્છ હોય, તો મોડેલ એવી દુનિયા શીખે છે જે અસ્તિત્વમાં નથી.
દ્રશ્ય ભૌતિકશાસ્ત્ર "બહાર" દેખાય છે. ખોટી દિશામાં પડતા પડછાયા, વર્તન ન કરતા પ્રતિબિંબ, સપાટીઓ સાથે સંપર્ક ન કરતા પદાર્થો. માનવીઓ આને અવગણે છે; મોડેલો તેમને જમીની સત્ય તરીકે ગ્રહણ કરે છે.
ડોમેન ગેપ માપવામાં આવતો નથી. ક્લાસિક નિષ્ફળતા: સિન્થેટિક પર તાલીમ આપો, વાસ્તવિક રીતે ઉપયોગ કરો, અને બંને વચ્ચેના તફાવતનું ક્યારેય માપન ન કરો. જો તમે ડોમેન ગેપ માપતા નથી, તો તમે અનુમાન લગાવી રહ્યા છો.
તમે ફક્ત સિન્થેટિક પર જ માન્યતા આપો છો. આ સૌથી ખતરનાક છે, કારણ કે તે ખોટો આત્મવિશ્વાસ ઉત્પન્ન કરે છે - એક મોડેલ જે સિન્થેટિક ટેસ્ટ સેટ પર શાનદાર સ્કોર કરે છે અને વાસ્તવિક ઇનપુટ્સ પર અલગ પડે છે. સિન્થેટિક માન્યતા તમને કહે છે કે મોડેલ તમારું સિમ્યુલેટર શીખ્યું છે, તમારી દુનિયા નહીં.
શ્રેષ્ઠ પ્રેક્ટિસ અભિગમ
સિન્થેટિક ડેટા સાથે સફળ થતી ટીમો એ જ પાંચ-પગલાંના લૂપને અનુસરે છે.

પ્રથમ, લક્ષ્ય ડોમેન વ્યાખ્યાયિત કરો - વાસ્તવિક પરિસ્થિતિઓ જ્યાં મોડેલ ચાલશે, સેન્સર, પર્યાવરણ અને લાઇટિંગ સુધી. બીજું, તે ડોમેન સાથે સંરેખિત કૃત્રિમ ભિન્નતાઓ ઉત્પન્ન કરો , સામાન્ય સુંદર રેન્ડર નહીં. ત્રીજું, વાસ્તવિક ડેટા સાથે મિશ્રણ કરો - કૃત્રિમ વાસ્તવિક કેપ્ચરને પૂરક બનાવે છે; તે તેને બદલતું નથી. ચોથું, વાસ્તવિક હોલ્ડઆઉટ સેટ પર માન્ય કરો . આ એક આવશ્યક પૂર્ણવિરામ છે: તમારો બેન્ચમાર્ક વાસ્તવિક ડેટા હોવો જોઈએ જે મોડેલે ક્યારેય જોયો નથી. અને પાંચમું, ભૂલ વિશ્લેષણનો ઉપયોગ કરીને પુનરાવર્તન કરો - મોડેલની વાસ્તવિક-વિશ્વ નિષ્ફળતાઓને માર્ગદર્શન આપવા દો કે આગામી કૃત્રિમ બેચમાં શું હોવું જોઈએ.
વાસ્તવિક → ઇટેરેટ પર વ્યાખ્યાયિત કરો → જનરેટ → બ્લેન્ડ → માન્ય કરો. લૂપ કોઈપણ એક પગલા કરતાં વધુ મહત્વપૂર્ણ છે.
શું તમારે સિન્થેટિક ડેટાનો ઉપયોગ કરવો જોઈએ? ઝડપી નિર્ણય માળખું
ચાર પ્રશ્નો મોટાભાગની ચર્ચાઓનું સમાધાન કરે છે.

શું આ દૃશ્ય દુર્લભ છે કે કેપ્ચર કરવું જોખમી છે ? જો હા, તો સિન્થેટિક મદદ કરે છે. શું તમને ઝડપથી નિયંત્રિત વિવિધતાની જરૂર છે ? જો હા, તો સિન્થેટિક મદદ કરે છે. શું તમારું મોડેલ ડોમેન શિફ્ટને કારણે નિષ્ફળ જાય છે ? જો હા, તો વાસ્તવિક ડેટા વત્તા ડોમેન-મેચ્ડ સિન્થેટિકનો ઉપયોગ કરો — ફક્ત સિન્થેટિક જ તે ગેપને બંધ કરશે નહીં જે તે જોઈ શકતું નથી. અને છેલ્લે: શું તમે વાસ્તવિક હોલ્ડઆઉટ ડેટા પર વિશ્વસનીય રીતે મૂલ્યાંકન કરી શકો છો ? જો ના, તો સિન્થેટિક પર હજુ સુધી આધાર રાખશો નહીં — પહેલા તમારા વાસ્તવિક મૂલ્યાંકન સેટ બનાવો, કારણ કે તેના વિના તમે કહી શકતા નથી કે સિન્થેટિક મદદ કરી રહ્યું છે કે શાંતિથી નુકસાન પહોંચાડી રહ્યું છે.
આ બોટમ લાઇન

કોમ્પ્યુટર વિઝન ટૂલકીટમાં સિન્થેટિક ડેટા સૌથી શક્તિશાળી સાધનોમાંનું એક છે - એજ કેસો, કવરેજ, ગતિ, ગોપનીયતા અને સંતુલન માટે. તેનો દુરુપયોગ કરવો પણ સૌથી સરળ છે, કારણ કે તેના નિષ્ફળતા મોડ્સ ડિપ્લોયમેન્ટ દિવસ સુધી સુંદર દેખાતા મેટ્રિક્સ પાછળ છુપાયેલા રહે છે.
જે ટીમો તેને યોગ્ય રીતે મેળવે છે તેઓ તેને એન્જિનિયરિંગ શિસ્ત તરીકે ગણે છે: વાસ્તવિક ડેટાને પાયા તરીકે, કૃત્રિમને લક્ષિત મજબૂતીકરણ તરીકે, અને વાસ્તવિક-વિશ્વ માન્યતાને બિન-વાટાઘાટ કરી શકાય તેવા રેફરી તરીકે. શેપ સીવી ટીમો સાથે આ જ અભિગમ અપનાવે છે - માપી શકાય તેવા QA અને ડિપ્લોયમેન્ટ-કેન્દ્રિત માન્યતા સાથે વાસ્તવિક અને કૃત્રિમ ડેટાના યોગ્ય મિશ્રણનું આયોજન કરવું, તેથી તાલીમમાં જે મોડેલ કામ કરે છે તે જ ક્ષેત્રમાં કામ કરે છે.