← Kembali ke studi kasus Kasus data visi sintetis

Simulasi data penglihatan port dan gantry: peningkatan gambar, adegan sintetis, dan kontrol kualitas set data

Kasus Sinovanta anonim yang mencakup audit sumber adegan port, peningkatan gambar delapan kondisi, adegan objek yang dihasilkan, metadata, pemeriksaan kualitas, dan dokumen tinjauan.

Keterlibatan
Audit sumber data dan demonstrasi gambar sintetis
Lingkup
Pemandangan pelabuhan dan yard, peningkatan gambar, sampel yang dihasilkan, pemeriksaan kualitas, dan dokumentasi
Perbatasan input
Arsip gambar dan daftar empat kelas; tidak ada kotak batas atau topeng segmentasi
Hasil yang diverifikasi
48 sampel peningkatan, 40 gambar kelas yang dihasilkan, dan 3 contoh pose / latar belakang
01

Ringkasan proyek

Arsip sumber berisi gambar port dan gantry terkait ditambah daftar empat kelas: forklift, kerucut, bollard, dan orang. Itu tidak berisi kotak deteksi atau topeng segmentasi. Tugasnya adalah untuk membangun set demonstrasi terkontrol untuk cuaca, pencahayaan, degradasi kamera, presentasi objek, dan tinjauan dokumen sebelum keputusan pelatihan model.

02

Tujuan pengiriman

Bangun paket yang dapat dilacak yang memisahkan augmentasi yang berasal dari sumber dari contoh visual yang dihasilkan. Setiap gambar yang diubah membutuhkan skenario, referensi sumber, biji, dan catatan parameter. Hasilnya dimaksudkan untuk perencanaan dan tinjauan set data, bukan sebagai bukti keakuratan model atau sebagai data produksi siap untuk dicatatkan.

Workflow implementasi

Aliran kerja menggabungkan tata kelola sumber, pemrosesan gambar yang dapat direproduksi, contoh adegan yang dihasilkan, pemeriksaan berkas kuantitatif, dan tinjauan visual.

  1. 01

    Audit arsip sumber

    File gambar persediaan, dimensi, definisi kelas, dan format anotasi yang tersedia. Catat bahwa arsip yang diberikan memiliki daftar kelas tetapi tidak ada kotak atau topeng.

  2. 02

    Eligibilitas sumber kontrol

    Memeriksa nama file dan lembar kontak, mengecualikan gambar jalan eksternal yang tidak terkait, dan memulihkan paket dari set sumber pelabuhan dan yard yang diterima.

  3. 03

    Menghasilkan delapan kondisi stres

    Buat enam sampel 1280 x 720 untuk setiap hari yang cerah, halaman malam, kamera hujan, kabut atau kabut, cahaya latar belakang matahari terbenam, motion blur, obklusi latar depan, dan kompresi pengawasan.

  4. 04

    Buat contoh adegan berorientasi kelas

    Menghasilkan sepuluh gambar yang dihasilkan untuk masing-masing dari empat kelas review: crane, wadah, kerucut, dan forklift. Simpan file ini terpisah dari augmentasi yang berasal dari sumber.

  5. 05

    Review pose dan variasi latar belakang

    Buat tiga contoh tambahan yang mencakup City-road curb tilt, konstruksi-site lean, dan pabrik yaw atau tilt untuk mendukung diskusi komposisi.

  6. 06

    Bukti paket dan dokumentasi

    Tuliskan metadata dan ringkasan kualitas, renderi dua lembar kontak, dan siapkan dokumen pelanggan 19 halaman yang berisi 16 gambar representatif format besar.

03

Paket yang dikirim

Generator yang dapat direproduksi
Sebuah skrip parameter untuk delapan kondisi stres tingkat gambar, dengan biji yang stabil dan metadata output.
Set peningkatan gambar 48
Delapan skenario dengan enam file JPG 1280 x 720 per skenario dan satu baris metadata untuk setiap output.
40 gambar kelas yang dihasilkan
Sepuluh contoh visual untuk masing-masing kran, wadah, kerucut, dan forklift, disimpan terpisah dari gambar yang berasal dari sumber.
Contoh pose dan latar belakang
Tiga contoh yang dihasilkan digunakan untuk meninjau orientasi objek, kerangka, dan variasi lingkungan.
Dokumen ulasan pelanggan
Presentasi DOCX dan PDF 19 halaman dengan 16 gambar yang dipilih, ruang lingkup paket, dan batas penggunaan.
04

Bukti yang diverifikasi

Angka-angka berikut adalah pemeriksaan file, metadata, dan dokumen dari paket yang dikirim. Ini bukan metrik kinerja model.

Audit sumber

Empat nama kelas; tidak ada kotak batas atau topeng.

Bukti yang tersedia hanya mendukung simulasi dan perencanaan tingkat gambar. Ia tidak mendukung pelatihan deteksi yang diawasi tanpa catatan tambahan.

Output peningkatan

48 file JPG pada 1280 x 720 di 8 skenario.

Setiap skenario berisi enam file. Metadata mencatat gambar sumber, skenario, benih acak, dan parameter transformasi.

Pemeriksaan kualitas

0 kesalahan, baris yang tidak diketahui, baris sumber eksternal, kandidat informasi rendah, atau pasangan hampir duplikat.

Cahaya yang diukur berkisar dari 39,4 hingga 137,5 dan deviasi standar gambar dari 15,5 hingga 62,6 di seluruh set 48 file.

Aset review yang dihasilkan

40 gambar kelas, 3 contoh pose / latar belakang, dan dokumen 19 halaman dengan 16 gambar yang dipilih.

Perhitungan ini mengkonfirmasi kelengkapan paket dan tata letak dokumen. Mereka tidak menetapkan kualitas anotasi atau keanggunan model.

05

Validasi yang dilakukan

  • Semua 48 file tambahan dibuka dengan sukses dan melaporkan 1280 x 720 dimensi yang diharapkan.
  • Tabel metadata berisi 48 baris, dengan enam output ditugaskan untuk masing-masing dari delapan skenario.
  • Kedua halaman lembar kontak ditinjau setelah penyaringan sumber; tidak ada gambar jalan eksternal yang tidak terkait di dalam paket akhir.
  • 40 file kelas yang dihasilkan dan tiga file pose / latar belakang dihitung dan dibuka; tidak ada pengujian presisi label atau model yang dilakukan.
06

Perbatasan penggunaan dan bukti

Kasus ini menunjukkan audit data, peningkatan tingkat gambar, contoh visual yang dihasilkan, metadata, pemeriksaan kualitas, dan dokumentasi pelanggan. Ini tidak mengklaim bahwa arsip sumber siap untuk anotasi, bahwa gambar yang dihasilkan adalah label pelatihan yang diverifikasi, atau bahwa setiap detektor mencapai presisi, mengingat, atau mAP yang dinyatakan. Sebelum pengembangan model, kumpulan data masih membutuhkan annotasi, pembagian tren/validasi, tinjauan representatifitas adegan nyata, analisis keseimbangan kelas, jaminan kualitas annotasi, dan kriteria penerimaan berdasarkan metrik.

Perencanaan set data visi untuk pelabuhan atau adegan industri?

Bagikan struktur sumber, kelas target, kondisi operasi, status anotasi, dan tugas model yang dimaksud. Sinovanta dapat mendefinisikan data yang dapat ditinjau dan ruang lingkup validasi.

Mendiskusikan ruang lingkup data →