> ## Documentation Index > Fetch the complete documentation index at: https://avala.ai/docs/llms.txt > Use this file to discover all available pages before exploring further. # Concepts fondamentaux > Comprendre les concepts fondamentaux de la plateforme Avala Cette page couvre les éléments de base de la plateforme Avala : visualisation, annotation, jeux de données, projets, tâches, organisations, étiquettes, contrôle qualité et séquences. Comprendre ces concepts vous aidera à concevoir des flux de données efficaces pour le physical AI. ## Visualisation Avala fournit une visualisation accélérée par GPU pour les données de capteurs directement dans le navigateur. Ces concepts s'appliquent à toutes les fonctionnalités de visualisation. ### Visualiseurs Avala inclut des visualiseurs spécialisés pour différents types de données. Le **visualiseur multi-capteurs** gère les enregistrements MCAP et ROS avec une lecture synchronisée sur tous les flux de capteurs. Le **visualiseur de nuages de points 3D** affiche les données LiDAR avec six modes de visualisation. Le **visualiseur Gaussian Splat** affiche des reconstructions photoréalistes de scènes 3D utilisant WebGPU. ### Panneaux Le visualiseur multi-capteurs organise les données en **panneaux** — des fenêtres de visualisation indépendantes pour différents flux de données. Avala supporte huit types de panneaux : | Type de panneau | Description | | -------------------- | ----------------------------------------- | | Image | Images caméra et flux d'images | | 3D / Nuage de points | Scans LiDAR et géométrie 3D | | Graphique | Données temporelles et signaux numériques | | Messages bruts | Charges utiles de messages décodés | | Journal | Flux de journaux textuels | | Carte | Position géographique et trajectoires | | Jauge | Lectures numériques en temps réel | | Transitions d'état | Changements d'état discrets dans le temps | Les topics sont automatiquement assignés aux panneaux en fonction de leur schéma. ### Dispositions Les dispositions multi-fenêtres organisent les panneaux dans une grille configurable. Le **compositeur de disposition** construit automatiquement des arrangements optimisés en fonction des topics de vos données, ou vous pouvez personnaliser la disposition manuellement en faisant glisser, redimensionnant et réarrangeant les panneaux. ### Chronologies Tous les panneaux d'un visualiseur partagent une **chronologie synchronisée**. Naviguez image par image, parcourez des horodatages spécifiques, ou rejouez des enregistrements à des vitesses configurables. La chronologie maintient tous les flux de capteurs alignés indépendamment de leurs fréquences de capture individuelles. ### Flux de capteurs Les enregistrements MCAP contiennent plusieurs **flux de capteurs** (topics). Chaque topic transporte un type de données spécifique — images, nuages de points, lectures IMU, coordonnées GPS — à sa propre fréquence. Avala synchronise tous les flux par horodatage afin que vous puissiez voir l'image complète des capteurs à tout moment. ### Modes de visualisation Les données de nuages de points peuvent être colorées selon six modes : | Mode | Description | | ------------------ | --------------------------------------- | | Neutre | Couleur uniforme unique | | Intensité | Coloré par force de retour | | Arc-en-ciel | Coloration temporelle ou séquentielle | | Étiquette | Coloré par classe sémantique | | Panoptique | Coloré par identité d'instance | | Projection d'image | Texturé avec l'imagerie caméra projetée | Les modes de visualisation s'appliquent au visualiseur de nuages de points 3D et fonctionnent aussi bien avec les jeux de données LiDAR autonomes qu'avec les flux de nuages de points au sein des enregistrements MCAP. ## Jeux de données Un **jeu de données** est une collection d'éléments de données (images, images vidéo, nuages de points ou enregistrements multi-capteurs) qui servent de matière première pour la visualisation et l'annotation. ### Propriétés du jeu de données | Propriété | Description | | ------------ | ------------------------------------------------------------------------- | | `name` | Nom lisible par l'humain | | `slug` | Identifiant compatible URL (unique dans l'espace de noms du propriétaire) | | `data_type` | Type de données : `image`, `video`, `lidar`, `mcap`, `image_3d`, `splat` | | `visibility` | `public` ou `private` | | `owner` | Utilisateur ou organisation propriétaire du jeu de données | | `item_count` | Nombre total d'éléments de données dans le jeu de données | ### Éléments de données Chaque jeu de données contient des **éléments** — des échantillons de données individuels : * **Jeux de données d'images** — Chaque élément est un fichier image unique. * **Jeux de données vidéo** — Les éléments sont des images vidéo, regroupées en séquences. * **Jeux de données LiDAR** — Les éléments sont des scans individuels de nuages de points. * **Jeux de données MCAP** — Les éléments contiennent des images multi-capteurs synchronisées (caméra + LiDAR + IMU). ### Séquences Les **séquences** regroupent des éléments liés pour les données temporelles ou multi-images : * Images vidéo du même enregistrement * Scans LiDAR d'une session de conduite continue * Captures multi-caméras synchronisées à des horodatages consécutifs Les séquences permettent la navigation image par image, le suivi d'objets entre les images et la cohérence temporelle des annotations. Flux de statut des séquences : ``` uploading → processing → ready → failed ``` ## Projets Un **projet** définit un flux de travail d'annotation en connectant un ou plusieurs jeux de données à un type de tâche spécifique, une taxonomie d'étiquettes et une configuration de contrôle qualité. ### Composants du projet ``` Project ├── Datasets (sources de données) ├── Task Type (méthode d'annotation) ├── Label Config (classes d'objets, attributs) ├── Quality Control (étapes de révision, consensus) └── Tasks (unités de travail individuelles) ``` ### Types de tâches Les projets sont configurés avec l'un des types de tâches suivants : | Type de tâche | Valeur API | Description | | ------------------------------ | ------------------------ | ----------------------------------------------------------------------------------- | | Annotation d'image | `image-annotation` | Annotation 2D sur des images uniques (boîtes, polygones, segmentation, points clés) | | Annotation vidéo | `video-annotation` | Annotation image par image avec suivi d'objets entre les images | | Annotation de nuages de points | `point-cloud-annotation` | Annotation 3D sur des scans LiDAR (cuboïdes, segmentation) | | Objets de nuages de points | `point-cloud-objects` | Annotation au niveau objet dans des séquences de nuages de points 3D | ### Statut du projet | Statut | Description | | ------------------ | ------------------------------------------------- | | `pending-approval` | En attente d'approbation pour démarrer | | `active` | Accepte le travail d'annotation | | `paused` | Temporairement suspendu | | `canceled` | Arrêté définitivement | | `archived` | Terminé et archivé | | `completed` | Toutes les tâches d'annotation ont été complétées | ## Tâches Une **tâche** est une unité de travail individuelle au sein d'un projet. Chaque tâche représente un travail d'annotation à effectuer sur un ou plusieurs éléments de données par un seul annotateur. ### Cycle de vie de la tâche Les tâches progressent à travers les états suivants : ``` pending → assigned → in_progress → submitted → under_review → approved → rejected → rework ``` | Statut | Description | | -------------- | ------------------------------------------------- | | `pending` | Créée mais pas encore assignée à un annotateur | | `assigned` | Assignée à un annotateur, en attente de démarrage | | `in_progress` | L'annotateur travaille activement sur la tâche | | `submitted` | L'annotateur a soumis son travail pour révision | | `under_review` | Un réviseur examine les annotations soumises | | `approved` | Annotations acceptées — tâche terminée | | `rejected` | Les annotations n'ont pas passé la révision | | `rework` | Renvoyée à l'annotateur pour corrections | ### Résultats Lorsqu'un annotateur termine une tâche, il soumet un **résultat** contenant : * Les données d'annotation (boîtes englobantes, polygones, cuboïdes, masques de segmentation, etc.) * Les métadonnées (temps passé, versions des outils) Les résultats passent par un contrôle qualité avant l'acceptation finale. ## Organisations Une **organisation** regroupe les utilisateurs et les ressources pour la collaboration en équipe. ### Structure de l'organisation ``` Organization ├── Members (utilisateurs avec des rôles) ├── Datasets (données partagées) ├── Projects (flux de travail partagés) └── Settings (facturation, clés API, permissions) ``` ### Rôles des membres | Rôle | Capacités | | -------- | ----------------------------------------------------------------------- | | `owner` | Contrôle total — facturation, paramètres, peut supprimer l'organisation | | `admin` | Gérer les membres, créer et configurer les ressources | | `member` | Accéder aux ressources partagées, effectuer le travail d'annotation | ## Étiquettes et taxonomie ### Configuration des étiquettes Les projets définissent une **configuration d'étiquettes** — un ensemble de classes d'objets prédéfinies que les annotateurs assignent aux annotations : ```json theme={null} { "labels": [ { "name": "car", "color": "#FF0000" }, { "name": "pedestrian", "color": "#00FF00" }, { "name": "cyclist", "color": "#0000FF" } ] } ``` ### Classification Pour des taxonomies plus complexes, les projets peuvent inclure des **configurations de classification** qui définissent : * **Attributs** — Propriétés comme la couleur, le niveau d'occlusion ou la troncature que les annotateurs assignent à chaque objet. * **Catégories hiérarchiques** — Structures de classes imbriquées (par ex., Véhicule > Voiture > Berline). * **Attributs conditionnels** — Attributs qui n'apparaissent que pour des classes d'objets spécifiques. ## Types d'annotation Avala supporte les types d'annotation suivants, chacun conçu pour des tâches d'étiquetage spécifiques : | Type | Description | Types de données | | -------------------- | ------------------------------------------------------------ | ------------------------- | | **Boîte englobante** | Région rectangulaire 2D autour d'un objet | Images, Vidéo | | **Polygone** | Forme fermée arbitraire traçant les contours d'un objet | Images, Vidéo | | **Cuboïde 3D** | Boîte englobante 3D avec position, dimensions et rotation | Nuages de points, MCAP | | **Segmentation** | Masque de classification au niveau du pixel | Images, Vidéo | | **Polyligne** | Chemin ouvert pour les voies, bords et limites | Images, Vidéo | | **Points clés** | Points de repère pour l'estimation de pose et la structure | Images, Vidéo | | **Classification** | Étiquettes catégorielles au niveau de la scène ou de l'objet | Tous les types de données | ## Contrôle qualité Avala fournit des outils d'assurance qualité intégrés pour garantir la précision et la cohérence des annotations. ### Révisions Les annotations passent par une **étape de révision** avant acceptation : 1. L'annotateur soumet son résultat. 2. Un réviseur examine les annotations. 3. Le réviseur **approuve** le travail correct ou **rejette** le travail qui nécessite des corrections. 4. Les tâches rejetées sont renvoyées à l'annotateur pour retravail. ### Problèmes Les **problèmes d'annotation** permettent aux réviseurs de signaler des problèmes spécifiques sur des annotations individuelles : * Épinglez un problème sur un objet ou une région spécifique de la scène. * Assignez les problèmes aux membres de l'équipe pour résolution. * Suivez le statut des problèmes (ouvert, résolu). ### Métriques Surveillez la qualité des annotations avec des métriques intégrées : * **Taux d'acceptation** — Pourcentage de tâches approuvées à la première soumission. * **Temps d'annotation** — Temps moyen passé par tâche. * **Accord inter-annotateurs** — Cohérence entre les annotateurs sur les mêmes données. * **Fréquence des problèmes** — Taux de problèmes signalés par tâche. ### Consensus Les **flux de consensus** assignent les mêmes données à plusieurs annotateurs indépendamment, puis comparent les résultats pour mesurer l'accord et identifier les cas ambigus. Les métriques de qualité aident à identifier les besoins de formation et à maintenir des standards d'annotation cohérents au sein de votre équipe. ## Séquences Les **séquences** sont des collections ordonnées d'éléments de données qui représentent des progressions temporelles ou spatiales — images vidéo, balayages LiDAR ou enregistrements multi-capteurs. ### Propriétés | Propriété | Description | | ------------- | ----------------------------------- | | `name` | Identifiant de la séquence | | `frame_count` | Nombre d'images dans la séquence | | `status` | Statut de traitement de la séquence | | `data_type` | Hérité du jeu de données parent | ### Flux de statut Les séquences suivent cette progression de statut lors du téléchargement et du traitement des données : ``` uploading → processing → ready → failed ``` * **uploading** — Les images sont en cours de téléchargement vers la plateforme. * **processing** — Les images sont en cours de validation et de préparation pour l'annotation. * **ready** — Toutes les images sont traitées et disponibles pour l'annotation. * **failed** — Le traitement a rencontré une erreur (vérifiez les statuts individuels des images). ## Gestion de flotte La gestion de flotte est en aperçu. Les fonctionnalités décrites ici peuvent changer. Les capacités de gestion de flotte d'Avala vous permettent de gérer les appareils, enregistrements et télémétrie à travers des flottes de robots à grande échelle. ### Appareils Un **appareil** représente un robot physique, un montage de capteurs ou une unité de calcul dans votre flotte. Chaque appareil a un identifiant unique préfixé `dev_` et suit les métadonnées comme le type, la version du firmware et le statut (`online`, `offline`, `maintenance`). ### Enregistrements Les appareils produisent des **enregistrements** — des fichiers MCAP capturés pendant le fonctionnement. Les enregistrements sont automatiquement associés à leur appareil source et peuvent être filtrés par appareil, date, statut et tags. ### Événements Les **événements** sont des marqueurs horodatés sur les enregistrements : erreurs, changements d'état, anomalies et annotations personnalisées. Les événements apparaissent sur la chronologie du visualiseur MCAP et peuvent être interrogés à travers la flotte. ### Règles d'enregistrement Les **règles d'enregistrement** évaluent automatiquement les enregistrements selon des conditions et déclenchent des actions (tag, signalement pour révision, notification) lorsque des correspondances sont trouvées. Les règles peuvent se déclencher sur des seuils, des motifs, des fréquences ou l'absence de données. ### Alertes Les **alertes** notifient votre équipe lorsque les conditions de la flotte changent. Acheminez les alertes vers Slack, email, webhooks ou notifications dans l'application. Les alertes suivent un cycle de vie : `open` → `acknowledged` → `resolved`. ## Prochaines étapes Formats supportés, capacités de visualisation et outils d'annotation pour chaque type de données. Découvrez l'interface web pour la visualisation, l'annotation et la gestion de projet. Comment les composants de la plateforme Avala s'articulent, y compris le moteur de visualisation. Configurez les clés API et commencez à faire des requêtes authentifiées. Gérez les appareils, enregistrements et télémétrie à travers votre flotte de robots.