仿真数据资产上手：一周跑通合成数据增广

被朋友安利了仿真数据资产，试试看到底好不好用。我手上有个检测模型，长尾场景一直补不齐，真实采集一轮按周算，正好拿它试。

先说它是什么。仿真数据资产就是用物理引擎和渲染管线算出来的数据，图像、标注、深度图这些，不是相机拍的。核心用途是数据增广：你手里只有少量真实样本，让平台照着生成一大批，把稀少场景补齐。标注就是告诉模型图上哪个位置是什么东西的框。

下面按我实际走的三段时间线记。

第一天，把种子数据喂进去。注册后进控制台，左侧点 新建项目，填项目名，选任务类型，检测任务就选目标检测，选错了后面标注格式不认。进项目找 数据集，上传种子数据，也就是你手里那点真实样本，图像和标注文件一起传，我传的是 COCO 格式的 json。传到一半提示类目未映射，这是第一个坑。平台的类别体系和你标注里的类名是两套东西，不映射，生成出来的框全是空的。在 类别映射 里把类名一个个对上，嫌麻烦就先只留一个类跑通。然后建生成任务，天气、光照、遮挡强度都是参数化的，可以只改一个变量，数量和分辨率按需填，我第一轮设得很小。提交后是排队，不是立刻出，我这边等了大概一个多小时看到第一批。

第三天，质检，别急着全收。预览界面能直接翻，看三件事：框贴不贴合、光照有没有跳变、有没有物理上不合理的，比如物体穿模。我这一批有一小部分框偏得明显，回头查是种子图里有几张标注本身就糊。回种子集把脏样本剔掉重跑，比在结果里一个个修快，质检页能批量筛选，按分数排，低的先看。参数放得越开，多样性越好，不合理的样本也越多，返工跟着涨，第一轮别贪。

一周后，把过检的合成数据按小比例混进原训练集跑一轮。我这边测下来长尾类别的召回有改善，但合成比例一高，真机表现反而掉，这就是 sim-to-real gap，仿真里好看，现实里不认。

| 维度 | 真实采集 | 仿真增广 |

| 采集周期 | 按周算 | 按小时算 |

| 长尾覆盖 | 靠碰 | 可指定参数 |

| 标注成本 | 高 | 随生成量摊薄 |

| 分布贴合度 | 天然一致 | 要调参收敛 |

我的做法是每轮加一点，盯住真实测试集，掉了就退回去。

自变量发 X2Real 时提过一个判断：真机评测成本高、周期长，撑不住高频次测试。这点我认同。

之前我觉得合成数据是权宜之计，现在看更像把训练和评测拉进同一个可复现环境的手段。