Maneiras de usar dados sintéticos
Preencha a lacuna de treinamento em modelos de IA centrados no ser humano
Desenvolva modelos imparciais de IA para aplicações de realidade aumentada e realidade virtual, condução autônoma, estimativa de posturas humanas, reconhecimento de ações, rastreamento e tudo que envolva pessoas — sem precisar de dados humanos reais.
Acelere o desenvolvimento de aplicativos de casa inteligente
Não importa se você está treinando um aplicativo de segurança ou um dispositivo/robô doméstico inteligente, os dados sintéticos podem acelerar seu desenvolvimento, treinamento e processo de implantação.
“Sempre que for necessário impulsionar o aprendizado de máquina com dados, haverá lugar para dados sintéticos. Criar conjuntos de dados sintéticos em um mundo virtual significa a possibilidade de criação de milhões de imagens muito mais rapidamente do que sair e tirar as próprias fotos.”
“Na Ouva, nossa plataforma de monitoramento de pacientes usou o Unity Computer Vision para gerar dados sintéticos e reduziu nossos ciclos de captura de dados que duravam meses para uma semana, enquanto nosso conjunto de dados cresceu 10x e as precisões dos modelos aumentaram entre 5% e 10%.”
Estudos de caso
Ouva
A plataforma de dados médicos simulados da Ouva utiliza o poder dos dados sintéticos para melhorar o desempenho de modelos em mais de 10%, reduzir os custos de etiquetagem em até US$ 40 mil, criar conjuntos de dados equilibrados em horas em vez de semanas e reduzir os ciclos de iteração de semanas para dias.
Boeing
Nesta entrevista, descubra como a Boeing trabalhou com a Unity para gerar mais de 100 mil imagens sintéticas com o intuito de melhorar o treinamento de algoritmos de aprendizado de máquina de seu aplicativo de inspeção de aeronaves com realidade aumentada (AR).
Passio
Descubra como a Passio combina os dados sintéticos do Unity com dados reais para ampliar seus conjuntos de dados e acelerar o treinamento da IA para aplicações de IA e realidade aumentada (AR).
Neural Pocket
Descubra como a startup de IA Neural Pocket usou o Unity Computer Vision para reduzir consideravelmente os custos de desenvolvimento de modelos de visão computacional e o tempo de implantação (de 24 semanas para 1 semana).
Anotações personalizáveis
Personalize o método de rotulagem necessário ao seu aplicativo, desde simples caixas delimitadoras a complexas anotações semânticas impossíveis de se obter por meio de rotulagem manual.
Parâmetros randomizáveis
Varie todos os aspectos de sua cena, incluindo iluminação, objetos de fundo, especificações de câmera, oclusões e muito mais, para criar um conjunto de dados de treinamento robusto e que seja eficiente em condições reais.
Recursos
Confira mais recursos de visão computacional, incluindo webinars, relatórios e conjuntos de dados gratuitos.
Desbloqueie o desenvolvimento de IA orientado por dados
Saiba mais sobre o Unity Computer Vision, como explorar nossos conjuntos de dados de amostra e gerar seus próprios conjuntos com nossos ambientes pré-desenvolvidos.
Desvendando soluções inteligentes para o lar
Descubra como as nossas ferramentas e serviços possibilitam o desenvolvimento de aplicativos de visão computacional mais eficientes para o lar, ao mesmo tempo que reduzem os bloqueios e os desafios.
Conceitos básicos de conteúdo 3D para dados sintéticos
Os dados sintéticos são alimentados por sua biblioteca de assets 3D. Conheça fontes e técnicas de obtenção de conteúdo 3D para problemas comuns de visão computacional.
A fábrica do futuro
Baixe nosso relatório para conhecer o papel essencial da visão computacional, simulação de robótica e tecnologia 3D em tempo real para o futuro da manufatura.
IA e aprendizado de máquina explicados
Atualize-se sobre os termos fundamentais do aprendizado de máquina, da visão computacional, dos dados sintéticos e muito mais.
Ensinando robôs a ver com o Unity
Capacite seus robôs a pegar um objeto com precisão sem conhecimento explícito da localização do objeto. Aprenda a coletar dados sintéticos e treinar um modelo de aprendizagem profunda para prever o posicionamento de um dado objeto.
Treine modelos de detecção de objetos com dados sintéticos
Descubra como você pode gerar um conjunto de dados sintéticos enorme para treinar seus modelos de aprendizado de máquina.
Gere e analise dados sintéticos em escala
Aprenda a usar as ferramentas do Unity para gerar e analisar conjuntos de dados sintéticos com um exemplo ilustrativo de detecção de objetos.
Infinidade de casos de uso possibilitados por dados sintéticos
Os dados sintéticos estão ajudando diversas organizações a superar o desafio de adquirir dados rotulados para treinamento de modelos de aprendizado de máquina. Descubra a amplitude de casos de uso que eles possibilitam.
É possível encontrar o Wally usando dados sintéticos?
Veja como o pacote Perception do Unity foi implantado para criar imagens do tipo Wally para treinamento de uma rede neural usando a biblioteca fastai.
Crie imagens sintéticas para aprendizagem profunda
Siga este tutorial para descobrir como configurar o Unity e o pacote Unity Perception para criar imagens sintéticas que treinam redes neurais em aprendizagem profunda, IA e visão computacional.
Desenvolvimento de algoritmo de visão computacional com auxílio sintético
Veja como a Standard Cognition utilizou o Unity para reduzir o custo financeiro e o tempo de desenvolvimento do algoritmo para coleta e rotulagem de dados em seu sistema de checkout digital.
Perguntas frequentes
Confira nossos artigos para ver como os modelos treinados com dados sintéticos e reais superam modelos treinados somente com dados reais:
Nossos clientes usam o Unity para gerar dados sintéticos para diversas aplicações de visão computacional, incluindo detecção de humanos, detecção de objetos, detecção de defeitos de fabricação, aplicações eletrônicas domésticas e muito mais.
Você pode usar dados de treinamento sintéticos quando:
- Você tem apenas um pequeno conjunto de amostra de dados reais. Neste caso, você pode aprimorar seus dados reais com uma grande quantidade de dados sintéticos gerados pelo Unity Computer Vision e aumentar o desempenho do seu modelo.
- Você não consegue coletar os dados reais apropriados para o seu projeto. Nesse caso, você pode usar o Unity Computer Vision para gerar imagens sintéticas rotuladas de alta qualidade e inicializar seus modelos com dados puramente sintéticos.