ഗ്രൗണ്ട് എൻഗേജിംഗ് ടൂളുകൾ (GET) ബൗണ്ടിംഗ് ബോക്സ് അനോട്ടേഷൻ
12 മാസത്തെ വെയർ-മോണിറ്ററിംഗ് AI കരാറിലൂടെ, KITTI 1.0 ഫോർമാറ്റിൽ 99%+ കൃത്യത ഗേറ്റിൽ, അഴുക്ക്, അവശിഷ്ടങ്ങൾ, ചലന മങ്ങൽ, കുറഞ്ഞ വെളിച്ചം എന്നിവയുടെ ഫീൽഡ്-ഗ്രേഡ് സാഹചര്യങ്ങളിൽ ആന്തരികവും ബാഹ്യവുമായ മുഖങ്ങളെ വേർതിരിച്ചറിയുന്ന ബാക്ക്ഹോ-ബക്കറ്റ് ഇമേജറിയിൽ, ബക്കറ്റ് ടൂത്ത്, അഡാപ്റ്ററുകൾ, ഷ്രൗഡുകൾ, ലിപ് ഷ്രൗഡുകൾ എന്നിങ്ങനെ 15 ഗ്രൗണ്ട് എൻഗേജിംഗ് ടൂൾ ക്ലാസുകളിലായി ഷൈപ് പ്രതിമാസം 40,000 ബൗണ്ടിംഗ് ബോക്സ് അനോട്ടേഷനുകൾ വിതരണം ചെയ്തു.
പ്രോജക്റ്റ് അവലോകനം
പ്രവചനാത്മക പരിപാലനവും വെയർ മോണിറ്ററിംഗും ഹെവി എക്യുപ്മെന്റ് AI-യിലേക്ക് മാറിയപ്പോൾ, ശബ്ദായമാനമായ, വൃത്തികെട്ട, യഥാർത്ഥ ലോക ഫീൽഡ് ഇമേജറികളിൽ ബാക്ക്ഹോ ബക്കറ്റുകളിൽ ഗ്രൗണ്ട് എൻഗേജിംഗ് ടൂളുകൾ (GET-കൾ) കണ്ടെത്തി ലേബൽ ചെയ്യാൻ കഴിവുള്ള ഒരു ഡൊമെയ്ൻ-നിർദ്ദിഷ്ട അനോട്ടേഷൻ പൈപ്പ്ലൈൻ ക്ലയന്റിന് ആവശ്യമായി വന്നു.
15 GET ക്ലാസുകളിലായി ബൗണ്ടിംഗ് ബോക്സ് പ്ലേസ്മെന്റ്, ഗോൾഡൻ-റൂൾ എഡ്ജ്-കേസ് ഹാൻഡ്ലിംഗ്, ടു-ലെവൽ QA, പ്രതിവാര KITTI 1.0 ഡെലിവറി എന്നിവ ഉൾക്കൊള്ളുന്ന എൻഡ്-ടു-എൻഡ് അനോട്ടേഷൻ പൈപ്പ്ലൈൻ Shaip നിർമ്മിച്ചു - 99% കൃത്യത ഗേറ്റിൽ 12 മാസത്തെ, 40K-ഇമേജ്-പ്രതിമാസം പ്രൊഡക്ഷൻ കാഡൻസിനെ പിന്തുണയ്ക്കുന്നു.
കീ സ്റ്റാറ്റസ്
പ്രതിമാസം ചിത്രങ്ങൾ
40,000
ക്ലാസുകൾ നേടുക
15
കൃത്യതാ പരിധി
99%
ആഴ്ചതോറുമുള്ള ഡെലിവറി
10,000
വെല്ലുവിളികൾ
- വ്യാഖ്യാനിക്കുന്നു പ്രതിമാസം 40,000 ചിത്രങ്ങൾ കൂടെ 9–10 ബൗണ്ടിംഗ് ബോക്സുകൾ ശരാശരി ഓരോ ചിത്രത്തിനും
- കൈകാര്യം 15 വ്യത്യസ്ത GET ക്ലാസുകൾ ആന്തരികവും ബാഹ്യവുമായ മുഖ വ്യത്യാസത്തോടെ
- പ്രവർത്തിക്കുന്നു ഫീൽഡ്-ഗ്രേഡ് ഇമേജറി — അഴുക്ക്, അവശിഷ്ടങ്ങൾ, ചലന മങ്ങൽ, മോശം വെളിച്ചം, ബുദ്ധിമുട്ടുള്ള കോണുകൾ
- പരിപാലിക്കുന്നു 99%+ വ്യാഖ്യാന കൃത്യത ഉയർന്ന അളവിലുള്ള പ്രതിവാര ഡെലിവറി സമ്മർദ്ദത്തിൽ
- കയറ്റുമതി ചെയ്യുന്നു കിറ്റി 1.0 ഫോർമാറ്റ് നേരിട്ടുള്ള മോഡൽ പരിശീലന സംയോജനത്തിന് തയ്യാറാണ്
പരിഹാരം
സ്കീമയും ക്ലാസ് വ്യത്യാസവും നേടുക
ആന്തരികവും ബാഹ്യവുമായ ബക്കറ്റ് കാഴ്ചകൾ ഉൾക്കൊള്ളുന്ന ഒരു 15-ക്ലാസ് GET ഓൺടോളജി Shaip കോൺഫിഗർ ചെയ്തു. ഓരോ ഘടകത്തിന്റെയും ആന്തരികവും ബാഹ്യവുമായ മുഖങ്ങൾ തമ്മിൽ വേർതിരിച്ചറിയാൻ അനോട്ടർമാരെ പരിശീലിപ്പിച്ചു - ഡൗൺസ്ട്രീം വെയർ മോണിറ്ററിംഗ് കൃത്യതയ്ക്ക് നിർണായകമായ ഒരു ഡൊമെയ്ൻ-നിർദ്ദിഷ്ട വ്യത്യാസം.
ഫീൽഡ് ഇമേജറിക്കുള്ള സുവർണ്ണ നിയമങ്ങൾ
ഡാറ്റ സമഗ്രത നിലനിർത്താൻ അനോട്ടേറ്റർമാർ കർശനമായ സുവർണ്ണ നിയമങ്ങൾ പാലിച്ചു. ഘടകങ്ങൾ വ്യക്തമായി കാണാത്തിടത്ത് അനോട്ടേഷനുകൾ സൃഷ്ടിച്ചില്ല. 50%-ത്തിലധികം അവശിഷ്ടങ്ങൾ നിറഞ്ഞ GET-കൾ ഒഴിവാക്കി. മങ്ങിയതോ ഇരുണ്ടതോ ആയ ഘടകങ്ങൾ ഒഴിവാക്കി. വസ്തുവിന്റെ 100% ദൃശ്യമാകുമ്പോൾ മാത്രമേ ലിപ് ക്ലാസുകൾ ലേബൽ ചെയ്തിട്ടുള്ളൂ. ലേബലിംഗ് തീരുമാനങ്ങൾക്കല്ല, നാവിഗേഷനു വേണ്ടിയാണ് സൂം ഉപയോഗിച്ചത്.
എഡ്ജ്-കേസ് പരിശീലന ലൈബ്രറി
ഭാഗികമായി അടഞ്ഞ GET-കൾ, ചലനത്തിലുള്ള ബക്കറ്റുകൾ, ഇരുണ്ട പശ്ചാത്തലങ്ങൾ, അടുത്തുള്ള ഘടകങ്ങൾ തമ്മിലുള്ള അതിർത്തി അവ്യക്തത - പൊതുവായ എഡ്ജ് കേസുകളിൽ വ്യാഖ്യാതാക്കളെ പരിശീലിപ്പിക്കുന്നതിനായി പതിനാല് വിശദമായ കേസ് പഠനങ്ങൾ രേഖപ്പെടുത്തി. ഈ ലൈബ്രറി വ്യാഖ്യാന മാർഗ്ഗനിർദ്ദേശങ്ങളെ ഹെവി ഉപകരണ AI ഡൊമെയ്നിലെ ഏറ്റവും സമഗ്രമായ ഒന്നാക്കി മാറ്റി.
ടു-ലെവൽ ക്യുഎ & 99% കൃത്യത ഗേറ്റ്
ലെവൽ 1 അനോട്ടേഷന് ശേഷം, എല്ലാ ചിത്രങ്ങളും ഘടനാപരമായ അവലോകനത്തിനായി ഒരു സമർപ്പിത ക്യുസി ടീമിന് കൈമാറി. അനോട്ടേറ്റർ ഫീഡ്ബാക്ക് ഉപയോഗിച്ച് ചെറിയ പിശകുകൾ തിരുത്തി; പ്രധാന പിശകുകൾ പുനർനിർമ്മാണ പുനർനിയമനത്തിന് കാരണമായി. അനോട്ടേഷൻ കൃത്യത 99% അല്ലെങ്കിൽ അതിൽ കൂടുതലാകുമ്പോൾ മാത്രമേ ഡാറ്റാസെറ്റുകൾ അംഗീകരിക്കൂ. പൂർണ്ണ സുതാര്യതയ്ക്കായി എല്ലാ ക്യുസി ഫലങ്ങളും ഒരു ട്രാക്കിംഗ് ഷീറ്റിൽ ലോഗ് ചെയ്തിരിക്കുന്നു.
KITTI 1.0 ഫോർമാറ്റിൽ ആഴ്ചതോറുമുള്ള ഡെലിവറി
ആഴ്ചതോറുമുള്ള ഡെലിവറി ലക്ഷ്യങ്ങൾ 10,000 ചിത്രങ്ങളായി കർശനമായി നിലനിർത്തി, എല്ലാം KITTI 1.0 ഫോർമാറ്റിൽ കയറ്റുമതി ചെയ്തു, നേരിട്ടുള്ള മോഡൽ പരിശീലന സംയോജനത്തിന് തയ്യാറായിരുന്നു. 12 മാസത്തെ കരാർ ഈ സ്ഥിരത നിലനിർത്തി, യാതൊരു വീഴ്ചയും കൂടാതെ.
പദ്ധതി വ്യാപ്തി
| ഡാറ്റാസെറ്റ് തരം | പ്രതിമാസ വോളിയം | ക്ലാസുകൾ | ശരാശരി ബോക്സുകൾ / ചിത്രം | ഫോർമാറ്റ് | കരാർ |
|---|---|---|---|---|---|
| ബൗണ്ടിംഗ് ബോക്സ് അനോട്ടേഷൻ നേടുക | ചിത്രങ്ങളും | 15 ക്ലാസുകൾ നേടുക | 9–10 പെട്ടികൾ | കിറ്റി 1.0 | 12 മാസം |
ഫലങ്ങൾ
- സ്ഥാപിച്ചത് 12 മാസം, പ്രതിമാസം 40K ഇമേജ് പൈപ്പ്ലൈൻ ഹെവി എക്യുപ്മെന്റ് വെയർ ഡിറ്റക്ഷൻ AI-ക്ക്
- സ്റ്റാൻഡേർഡ് 15 ക്ലാസുകൾ നേടുക ആന്തരിക/ബാഹ്യ മുഖ വ്യത്യാസത്തോടെ
- പരിപാലിച്ചു എ 99%+ കൃത്യത ഗേറ്റ് ആഴ്ചതോറുമുള്ള ഡെലിവറി സമ്മർദ്ദത്തിൽ ഓരോ ബാച്ചിലും
- നിർമ്മിച്ചത് 14 കേസ് സ്റ്റഡി എഡ്ജ്-കേസ് ലൈബ്രറി അനോട്ടേറ്റർ പരിശീലനത്തിനും ഓൺബോർഡിംഗിനും
- കൈമാറി KITTI 1.0 ഫോർമാറ്റ് ഔട്ട്പുട്ടുകൾ നേരിട്ടുള്ള മോഡൽ പരിശീലന സംയോജനത്തിന് തയ്യാറാണ്
മൊത്തത്തിൽ, Shaip ഒരു ഫീൽഡ്-ഗ്രേഡ് GET കണ്ടെത്തൽ ആവശ്യകതയെ ഘടനാപരമായ, പ്രൊഡക്ഷൻ-റെഡി അനോട്ടേഷൻ പൈപ്പ്ലൈനാക്കി മാറ്റാൻ സഹായിച്ചു - സ്ഥിരത, കണ്ടെത്തൽ, ഫീൽഡ്-റിയലിസ്റ്റിക് കൃത്യത എന്നിവയുള്ള വെയർ മോണിറ്ററിംഗ്, പ്രവചന പരിപാലനം, നിർമ്മാണ ഉപകരണ AI സംരംഭങ്ങളെ പിന്തുണയ്ക്കാൻ കഴിവുള്ള ഒന്ന്.
ഞങ്ങൾക്ക് ലഭിച്ച ഏറ്റവും വൃത്തികെട്ട ഇമേജറി - അഴുക്ക്, അവശിഷ്ടങ്ങൾ, ചലന മങ്ങൽ, വർക്കുകൾ - ഷായ്പ് കൈകാര്യം ചെയ്തു, എന്നിട്ടും 12 മാസത്തെ, ആഴ്ചതോറുമുള്ള ഡെലിവറി കാഡൻസിൽ 99%+ കൃത്യത നൽകി. അവരുടെ KITTI 1.0 ഔട്ട്പുട്ടുകൾ നേരിട്ട് മോഡൽ പരിശീലനത്തിലേക്ക് കടന്നു.
