Erkennung und Lokalisierung
Lokalisieren Sie Objekte in Bildframes und 3D-Szenen.
- 2D-Begrenzungsrahmen
- Lokalisieren Sie Objekte in Bild- und Videoframes.
- 3D-Quader
- Erfassen Sie Position, Abmessungen und Ausrichtung in Punktwolkenszenen.
Trainingsausgaben für Physical AI
Ground Truth, auf das Modell zugeschnitten.
Verwandeln Sie synchronisierte Kamera-, LiDAR- und Sequenzdaten in die Geometrie, die Wahrnehmungssysteme benötigen: 2D-Boxen und Masken, 3D-Quader und Punktwolkenlabels, Polylinien, Klassifizierungen und verfolgte Objekte.
Bringen Sie eine repräsentative Szene mit. Wir definieren Ausgabe, Prüfpfad und Lieferformat vor der Produktion.
0142
Synchronisierte Szeneneingabe
Multi-Kamera-VideoLiDAR und Punktwolken
0087 / 0120
Ausgabevertrag
Erkennung und Lokalisierung
01
Segmentierung
02
Szenengeometrie
03
Tracking und Klassifizierung
04
MCAP- und ROS-Daten
LiDAR und Punktwolken
Multi-Kamera-Video
Telemetrie und Trajektorien
Trainingsausgaben für Physical AI
Wählen Sie die Ausgabe, die Ihr Trainingskreislauf benötigt.
Wählen Sie eine produktive Grundfunktion und konfigurieren Sie anschließend Klassen, Attribute, Annotationsumfang und Prüfpfad für die Modellaufgabe.
Segmentierung
Erstellen Sie Klassen- oder Objektregionen in Kamera- und Punktwolkendaten.
- Bildmasken
- Erstellen Sie pixelgenaue Klassen- oder Objektgrenzen in Kameradaten.
- Punktwolkensegmentierung
- Weisen Sie Punkten in 3D-Szenen semantische Klassen zu.
Szenengeometrie
Zeichnen Sie aufgabenspezifische Grenzen und Sequenzgeometrie nach.
- Polygone und Polylinien
- Zeichnen Sie Fahrspuren, Bordsteine, Regionen und weitere aufgabenspezifische Geometrien nach.
- Sequenz-Polylinien
- Führen Sie framebezogene 3D-Polyliniengeometrie durch unterstützte Sequenzen.
Tracking und Klassifizierung
Bewahren Sie Identität und Attribute über unterstützte Sequenzen hinweg.
- Verfolgte Objekte
- Bewahren Sie die Objektidentität über unterstützte Sequenzframes hinweg.
- Klassifizierungen
- Fügen Sie Labels und Attribute auf Frame-, Objekt- oder Track-Ebene hinzu.
Aufgabe definieren
Beginnen Sie mit der Modellentscheidung.
Das Trainingsziel bestimmt die Ground-Truth-Darstellung – nicht umgekehrt. Definieren Sie die Ausgabe anhand Ihrer Sensoren, Grenzfälle und Liefervereinbarung, bevor die Produktion skaliert.
Halten Sie Kamera-, LiDAR-, Transformations- und Sequenzkontext sichtbar, sofern der Workflow dies unterstützt.
Legen Sie Klassenregeln, Geometrie, Attribute sowie Frame- oder Sequenzumfang vor der Produktion fest.
Lassen Sie Ausgaben vor der Freigabe menschliche Prüfungen und Annahmestatus durchlaufen; ergänzen Sie aufgabenspezifische Konsensanalysen, sofern unterstützt.
Verbundene Ground Truth
Für den Kreislauf nach dem Labeling entwickelt.
Ground Truth wird wertvoll, wenn sie geprüft und in einen versionierten Trainingsdaten-Workflow überführt werden kann.
Szenenkontext bewahren
Halten Sie Kamera-, LiDAR-, Telemetrie- und Datensatzkontext für die Labeling-Aufgabe verbunden.
Qualität absichern
Nutzen Sie menschliche Prüfung, Zuordnung und Annahmestatus; ergänzen Sie aufgabenspezifische Konsensanalysen, sofern unterstützt.
Trainingsdaten freigeben
Überführen Sie freigegebene Ausgaben in versionierte Datensatz-Workflows für nachgelagerten Export und Modellarbeit.
Aufwand abstecken
Bringen Sie uns eine schwierige Szene.
Wir ordnen das Trainingsziel der Ground-Truth-Geometrie, dem Workflow und der Liefervereinbarung zu.