没数据，拿什么训模型：仓库 AI 的合成数据实战

先说结论：仓库 AI 项目死掉，十个里有八个不是死在算法上，是死在"没数据"上。破损件的照片攒一年凑不够 200 张，叉车撞上托盘的瞬间可遇不可求——模型没见过的东西，它学不会。合成数据就是给模型"编教材"：在仿真世界里，批量生成它最缺的那部分见识。

这事分两面。用对了，省钱又提速，三个月上线；用错了，仿真里考 99 分，一到现场就不及格。今天把这事讲透：三条路、一个坑、一笔账。

我见过太多项目，死在"等数据"上

2024 年，Ontario 一家 3PL 想上出库破损件自动识别。想法很正：每天几千票出库，靠人工抽检，破损客诉压不下来。卡在哪？数据。运营团队发动全员拍破损件，大半年下来不到 300 张——破损本来就是小概率事件，还得分"箱角塌陷""胶带开裂""水渍""叉车叉穿"好几种，每种几十张，模型根本学不会区分。项目卡了四个月，差点下马。

转机是他们的工程师换了个思路：不再"等"数据，而是"造"数据。他们在仓库数字孪生里 1:1 搭了出库复核区的 3D 场景——箱子尺寸、胶带颜色、传送带速度都按现场建模，然后批量渲染：换光照、换角度、换破损类型，一周渲出 5 万张"破损箱"。关键是，每张图在仿真里生成时位置坐标就是已知的，标注是白送的，一分钱标注费没花。

最后拿那 300 张真实照片做微调和验证，模型上线。按他们自己的统计，破损拦截效果比原来人工抽检高了一大截，而项目周期从"再等一年攒数据"缩到三个月落地。

说白了，合成数据解决的不是"算法不行"，是"见识不够"。

合成数据的三条路：代价差十倍

第一条，3D 仿真渲染。就是上面 Ontario 那家干的事：在数字孪生场景里批量"拍照"。代价是前期搭场景——一个工程师大概 2～3 周；收益是搭好之后要多少有多少，极端场景随便造（凌晨三点的逆光、爆仓时的货堆），每张自带标注。适合目标检测、计数、区域分割这类"形状稳定"的任务。

第二条，生成式扩增。在真实照片的基础上做变体：调光照、换角度、加遮挡、加噪声。一家集成商在 Inland Empire 的 DC 做 AMR 行人检测时就这么干：白天拍的 2000 张真实照片，一晚上扩到 3 万张。代价：变来变去都是那几张底片的"亲戚"，现实中没出现过的长尾场景，它变不出来。收益：便宜、快，当天就能跑起来。

第三条，混合训练：合成打底 + 真实微调 + 真实验证。这才是正道。我的土话是：刷题用合成的，考试必须用真实的。合成数据负责把模型的"见识面"撑开，真实数据负责把它拉回现实。

合成数据翻车现场：仿真里 99 分，现场不及格

还是上面那家 AMR 的项目，2023 年的事。夜班低光照加上叉车大灯直射的场景，真实数据极难凑——夜班本来人就少，真撞上了就是事故，谁敢拿事故凑数据？他们用"白天照片扩增加 1 万张仿真夜景"训了个行人检测模型，测试集上看着挺美。

一到现场就翻车：反光背心。仿真里反光条的反光效果做得太"标准"，模型学了个偏见；现场是黑色缠绕膜托盘的镜面反光加上叉车大灯，模型把一堆反光当成了行人，AMR 走走停停，夜班效率掉了两成。最后加了 500 张真实夜班照片做微调，才把误报压住。

这就是仿真到现实的鸿沟（sim-to-real gap），真实存在。我的经验是：合成数据在"目标检测、数箱子、认托盘"这种几何形状稳定的任务上很管用；一碰到材质反光（黑色缠绕膜、金属货架）、极端逆光（卸货口大门）、透明或半透明材质，就得拿真实数据校准。仿真做得越"完美"，离现实有时候越远——现实仓库是灰扑扑、乱糟糟的。

算一笔账：纯真实 vs 合成加真实

以"1 万张可用训练图"为目标，两种路线对比：

账算下来，混合路线钱少一半不止，时间从"按季度等"变成"按周算"。但代价也要认：仿真场景搭得不对，后面全白搭；而且验证集必须用真实数据，这条是铁律，省什么都不能省它。

反常识：数据不够，先别急着买标注

讲两个反常识的判断。

第一，数据不够时，先别急着买标注服务，先问一句：这场景能不能仿真？标注公司是按张收费的，你的数据缺口越大他越开心。能仿真的场景，花在仿真上的每一分钱，都比花在标注上值。

第二，合成数据最大的价值不是省钱，是时间。现实中"等不起"的场景——事故瞬间、旺季爆仓、凌晨卸货口的逆光——在仿真里一晚上就能造出来。省钱是顺带的，抢时间才是命。

这事分两面我最后再说一遍：合成数据是仓库 AI 落地最实在的一条捷径，但它替代不了真实数据。合成让模型见得多，真实让模型认得准，两个都得要，比例看场景。

下次有 AI 厂商跟你说"缺数据，得加钱做标注"，先问他一句：这场景，能不能仿真？答不上来，这钱就先别掏。

作者：老米｜仓储解决方案顾问