Skip to main content
Avala ஒவ்வொரு பிரேம், லேபிள், மதிப்பாய்வு முடிவு மற்றும் ஏற்றுமதி பதிப்பையும் ஒரே தளத்தில் இணைக்கிறது. ஒரு மாடல் ஒரு விளிம்பு நிகழ்வில் தோல்வியடையும்போது, அதைப் பாதித்த சரியான பயிற்சி லேபிளுக்கு கணிப்பை மீண்டும் கண்டறியலாம் — ஊகிப்பதற்குப் பதிலாக மூல காரணத்தைச் சரிசெய்யலாம்.

Avala-இல் கண்டறிதல் என்றால் என்ன

Avala-இல் ஒவ்வொரு விளக்கக்குறிப்பும் முழு வம்சாவளி மெட்டாடேட்டாவைக் கொண்டுள்ளது:
நிறுவனம்என்ன கண்காணிக்கப்படுகிறது
தரவுத்தொகுப்பு உருப்படிமூல கோப்பு URL, பதிவேற்ற நேரமுத்திரை, வரிசை உறுப்பினர், சென்சார் மெட்டாடேட்டா
பணிநியமிக்கப்பட்ட விளக்கக்குறிப்பாளர், உருவாக்க நேரம், நிறைவு நேரம், நிலை மாற்றங்கள்
முடிவுவிளக்கக்குறிப்பு தரவு, பயன்படுத்தப்பட்ட கருவி, விளக்கக்குறிப்பாளர் ID, சமர்ப்பிப்பு நேரமுத்திரை
QA மதிப்பாய்வுமதிப்பாய்வாளர் ID, மதிப்பாய்வு முடிவு (ஏற்றுக்கொள்/நிராகரி/சரிசெய்), மதிப்பாய்வு கருத்துகள்
ஏற்றுமதிஏற்றுமதி வடிவம், உள்ளடங்கிய தரவுத்தொகுப்புகள்/திட்டங்கள்/துண்டுகள், உருவாக்க நேரமுத்திரை, பதிப்பு
இதன் பொருள் ஏற்றுமதி செய்யப்பட்ட எந்த லேபிளிலிருந்தும் தொடங்கி முழு சங்கிலி வழியாக பின்னோக்கி நடக்கலாம்: எந்த விளக்கக்குறிப்பாளர் அதை உருவாக்கினார், அது QA-வை கடந்ததா, எந்த தரவுத்தொகுப்பு உருப்படியிலிருந்து வந்தது, ஒவ்வொரு படியும் எப்போது நடந்தது.

வழிகாட்டல்: மாடல் தோல்வியை பிழைநீக்கம் செய்தல்

கண்டறிதல் உற்பத்தி மாடல் சிக்கலை எவ்வாறு பிழைநீக்கம் செய்ய உதவுகிறது என்பதற்கான ஒரு உறுதியான எடுத்துக்காட்டு இங்கே.

1. மாடல் ஒரு விளிம்பு நிகழ்வில் தோல்வியடைகிறது

உங்கள் கருத்தறிதல் மாடல் LiDAR ஸ்கேனில் பகுதியாக மறைக்கப்பட்ட நடைபயணியை தவறாக வகைப்படுத்துகிறது. கணிப்பை அடையாளம் கண்டு மாடல் ஏன் இந்த நடத்தையைக் கற்றுக்கொண்டது என்பதைப் புரிந்துகொள்ள விரும்புகிறீர்கள்.

2. பயிற்சி தரவைக் கண்டறியுங்கள்

SDK-ஐ பயன்படுத்தி மாடலின் பயிற்சி தொகுப்பிற்கு பங்களித்த தரவுத்தொகுப்பு உருப்படிகளை உங்கள் ஏற்றுமதிகளில் தேடுங்கள்.
from avala import Client

client = Client()

# Get the export used for training
export = client.exports.get("export_abc123")
print(f"Export: {export.name}")
print(f"Format: {export.format}")
print(f"Created: {export.created_at}")

3. தனிப்பட்ட முடிவுகளை ஆய்வு செய்யுங்கள்

ஏற்றுமதியில் உள்ள ஒவ்வொரு முடிவும் மூல தரவுத்தொகுப்பு உருப்படி, விளக்கக்குறிப்பாளர் தகவல் மற்றும் QA நிலையை உள்ளடக்கியது.
# List tasks from the project used in the export
tasks = client.tasks.list(project="project_uid")

for task in tasks:
    print(f"Task {task.uid}")
    print(f"  Status: {task.status}")
    print(f"  Dataset: {task.dataset_name}")
    print(f"  Item: {task.dataset_item_name}")

4. மூலத்திற்கு மீண்டும் கண்டறியுங்கள்

சிக்கலான லேபிளை அடையாளம் கண்டவுடன், அதன் மூல கோப்பு, சென்சார் மெட்டாடேட்டா மற்றும் முழு விளக்கக்குறிப்பு வரலாற்றைப் பார்க்க அசல் தரவுத்தொகுப்பு உருப்படியைத் தேடலாம்.
# Get the specific dataset item
item = client.datasets.get_item(
    dataset="dataset_uid",
    item="item_uid"
)

print(f"Source: {item.source_url}")
print(f"Uploaded: {item.created_at}")
print(f"Sequence: {item.sequence_name}")

5. சரிசெய்து மீண்டும் பயிற்சி அளியுங்கள்

மூல காரணம் கண்டறியப்பட்டது — எடுத்துக்காட்டாக, மறைக்கப்பட்ட நடைபயணியில் விளக்கக்குறிப்பு பிழை — Avala-இல் லேபிளைச் சரிசெய்து, புதிய ஏற்றுமதியை உருவாக்கி, திருத்தப்பட்ட தரவுடன் உங்கள் மாடலை மீண்டும் பயிற்சி அளியுங்கள்.
# Create a new export with the corrected labels
new_export = client.exports.create(
    name="Training v2 - fixed occlusion labels",
    format="avala-json-external",
    projects=["project_uid"]
)

print(f"New export: {new_export.uid}")

நன்மைகள்

மறுஉருவாக்கம்

ஒவ்வொரு ஏற்றுமதியும் பதிப்பிடப்படுகிறது. ஏற்றுமதி UID-ஐ குறிப்பிடுவதன் மூலம் எந்த மாடல் பதிப்புக்கும் பயன்படுத்தப்பட்ட சரியான பயிற்சி தொகுப்பை மீண்டும் உருவாக்கலாம். எந்த லேபிள்கள் சேர்க்கப்பட்டன அல்லது விலக்கப்பட்டன என்று ஊகிக்க வேண்டியதில்லை.

விரைவான பிழைநீக்கம்

பிழையைக் கண்டறிய ஆயிரக்கணக்கான விளக்கக்குறிப்புகளை கைமுறையாகத் தேடுவதற்குப் பதிலாக, மாடலின் தோல்வியிலிருந்து அதற்குக் காரணமான குறிப்பிட்ட லேபிளுக்கு நேரடியாகக் கண்டறியுங்கள். நாட்கள் எடுத்தது இப்போது நிமிடங்களில் முடிகிறது.

இணக்கம் மற்றும் தணிக்கை பாதைகள்

ஒழுங்குபடுத்தப்பட்ட தொழில்களுக்கு (வாகனம், மருத்துவம், பாதுகாப்பு), கண்டறிதல் தணிக்கையாளர்கள் தேவைப்படுத்தும் ஆவணப்படுத்தல் பாதையை வழங்குகிறது. ஒவ்வொரு விளக்கக்குறிப்பு முடிவும் பொறுப்பாக்கப்பட்டு, நேரமுத்திரையிடப்பட்டு, அதன் QA மதிப்பாய்வுடன் இணைக்கப்படுகிறது.

தொடர்ச்சியான மேம்பாடு

குறிப்பிட்ட விளக்கக்குறிப்பாளர்கள், மதிப்பாய்வு நிலைகள் மற்றும் தரவுத்தொகுப்பு பதிப்புகளுடன் மாடல் செயல்திறனை தொடர்புபடுத்துவதன் மூலம் காலப்போக்கில் விளக்கக்குறிப்பு தரத்தைக் கண்காணியுங்கள். முறையான லேபிளிங் சிக்கல்களை உங்கள் பயிற்சி பைப்லைன் வழியாக பரவும் முன் கண்டறியுங்கள்.

API வழியாக கண்டறிதல்

அனைத்து கண்டறிதல் தரவும் REST API மற்றும் SDKs வழியாக கிடைக்கிறது. முக்கிய endpoints:
Endpointஅது என்ன திரும்பப்பெறுகிறது
GET /api/v1/exports/{uid}/தரவுத்தொகுப்புகள், திட்டங்கள் மற்றும் உருவாக்க நேரமுத்திரை உள்ளிட்ட ஏற்றுமதி மெட்டாடேட்டா
GET /api/v1/tasks/நிலை, விளக்கக்குறிப்பாளர் மற்றும் தரவுத்தொகுப்பு உருப்படி குறிப்புகளுடன் பணி பட்டியல்
GET /api/v1/datasets/{uid}/items/மூல URLகள் மற்றும் வரிசை உறுப்பினருடன் தரவுத்தொகுப்பு உருப்படிகள்
GET /api/v1/datasets/{uid}/sequences/பிரேம் எண்ணிக்கை மற்றும் உருப்படி குறிப்புகளுடன் வரிசைகள்
முழு endpoint ஆவணங்களுக்கு API குறிப்பு பார்க்கவும், அல்லது வகைப்படுத்தப்பட்ட அணுகலுக்கு Python SDK மற்றும் TypeScript SDK பயன்படுத்தவும்.

அடுத்த படிகள்

தரக் கட்டுப்பாடு

Avala-இன் பல-நிலை QA பணிப்பாய்வுகள் விளக்கக்குறிப்பு பிழைகளை உங்கள் மாடலை அடையும் முன் எவ்வாறு பிடிக்கின்றன என்பதை அறியுங்கள்.

ஏற்றுமதிகள்

முழு வம்சாவளி மெட்டாடேட்டாவுடன் உங்கள் விளக்கக்குறிப்பிடப்பட்ட தரவின் பதிப்பிடப்பட்ட ஏற்றுமதிகளை உருவாக்குங்கள்.

தர SLAக்கள்

Avala-இன் தர உத்தரவாதங்கள், துல்லியம் இலக்குகள் மற்றும் திரும்ப நேரங்களைப் புரிந்துகொள்ளுங்கள்.

Python SDK

SDK-ஐ நிறுவி உங்கள் தரவை நிரலாக்கமாக வினவத் தொடங்குங்கள்.