Eine Einführung in die Datenanmerkung in autonomen Autos
Die Fähigkeiten teilautonomer oder autonomer Fahrzeuge werden durch Annotationen ermöglicht. Annotation bezieht sich auf den Prozess der Identifizierung des interessierenden Bereichs oder Objekts in einem Video oder Bild mit Begrenzungsrahmen sowie die Angabe anderer Attribute, die den ML-Modellen dabei helfen, die von den Sensoren des Fahrzeugs erkannten Objekte zu erkennen und zu verstehen.
Autonome und halbautonome Autos verfügen über Technologien, die eine wichtige Rolle bei der Verbesserung des Fahrerlebnisses spielen. Dies ist auf das Vorhandensein zahlreicher Kameras, Sensoren und anderer Geräte zurückzuführen. Jede dieser Komponenten generiert viele Informationen. Ein Beispiel könnte das ADAS-Gerät sein, das auf Computer Vision basiert. Es nutzt einen Computer, um ein tiefes Verständnis der Bilder zu erlangen und durch die Analyse verschiedener Szenarien den Fahrer zu warnen, damit er seine Entscheidung effektiver treffen kann.
Wie definiert man eine Anmerkung?
Durch Annotationen werden die Funktionen teilautonomer und autonomer Fahrzeuge erweitert. Annotation bezieht sich auf die Kennzeichnung des interessierenden Bereichs oder Objekts, das im Video oder Bild von Interesse ist, mithilfe von Begrenzungsrahmen sowie die Definition anderer Merkmale, um den ML-Modellen dabei zu helfen, die von Sensoren im Fahrzeug erkannten Objekte zu erkennen und zu verstehen. Für Analysen wie Gesichtserkennung, Bewegungserkennung und mehr sind qualitativ hochwertige Daten mit korrekter Kommentierung erforderlich.
Ohne eine ordnungsgemäße Annotation der Informationen könnte autonomes Fahren so effektiv sein, dass es fast unmöglich ist, es zu erreichen. Die Genauigkeit der Daten stellt sicher, dass das fahrerlose Erlebnis reibungslos verläuft.
Warum gibt es Anmerkungen?
Moderne Fahrzeuge erzeugen aufgrund der Vielzahl von Kameras und Sensoren große Datenmengen. Wenn diese Datensätze für die Verarbeitung nicht entsprechend gekennzeichnet sind, können sie nicht ihr volles Potenzial nutzen. Die Datensätze sollten als Teil einer Bewertungssuite verwendet werden, um Trainingsmodelle für autonome Fahrzeuge zu erstellen. Verschiedene Automatisierungstools können bei der Kennzeichnung der Daten hilfreich sein, da die manuelle Kennzeichnung viel Zeit in Anspruch nehmen würde.
Was ist der Prozess der Annotation?
Damit ein autonomes Fahrzeug von A nach B reisen kann, muss es die Umgebung perfekt erfassen können. Ein ideales Szenario für Fahrfunktionen, die Sie in ein Fahrzeug integrieren möchten, könnte zwei identische Sensorsätze erfordern. Ein Satz dient als Sensorsatz im Testprozess, während der zweite Sensorsatz als Indikator verwendet wird.
Nehmen wir an, dass ein Auto unter unterschiedlichen Fahrbedingungen 3.000 Meilen mit einer durchschnittlichen Geschwindigkeit von 45 Kilometern pro Stunde zurücklegt. Mit diesen Zahlen können wir ermitteln, dass das Auto 6700 Stunden brauchte, um diese Strecke zurückzulegen. Es könnte auch mehrere Kameras haben und LIDAR (Light Detection and Ranging)-Systeme und wenn wir davon ausgehen, dass sie während der Dauer von 6700 Stunden mit einer Mindestrate von 10 Bildern pro Minute aufzeichnen, könnten 240 Millionen Frames an Daten generiert werden. Geht man davon aus, dass jeder Frame durchschnittlich fünfzehn Objekte enthalten könnte, darunter andere Fahrzeuge und Fußgänger, Ampeln und andere Objekte, dann hätten wir mehr als 3,5 Milliarden Objekte. Jedes Objekt muss markiert sein.
Nur das Notieren reicht nicht aus. Es muss auch präzise sein. Ohne diese Angaben ist es unmöglich, sinnvolle Vergleiche zwischen den verschiedenen Sensorsätzen für das Automobil anzustellen. Was wäre, wenn wir jedes Objekt manuell markieren müssten?
Versuchen wir zu verstehen, wie manuelle Anmerkungen funktionieren. Der erste Schritt besteht darin, die LIDAR-Scans zu durchsuchen und dann das entsprechende Kameramaterial abzurufen. Falls Sie über einen LIDAR mit 360-Grad-Ansicht verfügen, handelt es sich um ein Multikamera-Setup, das das Filmmaterial in der sogenannten LIDAR-Perspektive anzeigt. Nachdem die LIDAR-Scans und das Filmmaterial der Kamera gesammelt wurden, besteht der nächste Schritt darin, die LIDAR-Perspektive an der Kamera auszurichten. Wenn Sie wissen, welche Objekte sich in der Umgebung befinden, besteht der zweite Schritt darin, eine Objekterkennung durchzuführen und 3D-Grenzen um sie herum zu platzieren.
Das einfache Platzieren von Begrenzungsrahmen sowie allgemeinen Anmerkungen wie Fußgänger, Autos oder Stoppschilder usw. konnte nicht ausreichen. Es gibt Attribute um möglichst genau zu beschreiben, was Sie sehen. Darüber hinaus ist es wichtig, die Bedeutung von Haltestellen, sich bewegenden Objekten, stehenden Objekten und Einsatzfahrzeugen, die Beleuchtungsklassifizierung sowie die Art der Warnleuchten in den Einsatzfahrzeugen usw. zu kennen. Dies sollte eine umfassende Liste der Objekte und ihrer Attribute sein wobei jedes Attribut der Reihe nach berücksichtigt werden muss. Das bedeutet, dass wir eine große Menge an Informationen besprechen.
Sobald Sie dies abgeschlossen haben, müssen Sie sicherstellen, dass Sie über die richtigen Anmerkungen verfügen. Es ist eine weitere Person erforderlich, die die Richtigkeit der von Ihnen annotierten Daten überprüft. Dadurch wird sichergestellt, dass es keinen Spielraum für Fehler gibt. Wenn der Annotationsprozess manuell durchgeführt wird und die durchschnittliche Zeit pro Objekt 60 Sekunden beträgt, würden wir 60 Millionen Stunden oder nur 6-849 Kalenderjahre benötigen, um alle 3,6 Milliarden Objekte zu markieren, die wir zuvor besprochen haben. Daher ist es unmöglich, Objekte manuell mit Anmerkungen zu versehen.
Wie kann Automatisierung helfen?
Im vorherigen Beispiel können wir daraus schließen, dass es unwahrscheinlich ist, manuell Anmerkungen zu den Daten hinzuzufügen. Zahlreiche Open-Source-Tools können bei dieser Aufgabe helfen. Es ist möglich, Objekte unabhängig von Perspektiven, niedriger Auflösung oder schwacher Beleuchtung automatisch zu erkennen. Dies ist dank der Deep-Learning-Modelle möglich. Wenn es um die Automatisierung geht, besteht der erste Schritt darin, die Annotationsaufgabe zu entwerfen. Beginnen Sie mit der Benennung der Aufgabe und geben Sie die damit verbundenen Bezeichnungen und Merkmale an. Nachdem Sie dies abgeschlossen haben, können Sie die Datenbank mit den Daten erstellen, die mit Anmerkungen versehen werden müssen.
Darüber hinaus gibt es zahlreiche weitere Funktionen, die dem Job hinzugefügt werden können. Anmerkungen können mit Boxen, Polygonen und Polylinien erfolgen. Zu den verschiedenen Annotationsarten gehören der Interpolationsmodus sowie die Segmentierung im Attributannotationsmodus und andere.
Durch die Automatisierung wird der Zeitaufwand für das Notieren von Daten reduziert. Die Automatisierung wird den Aufwand und die geistige Ermüdung um 65 Prozent reduzieren.
Abschluss
Um dies zu erreichen, werden die zuvor in diesem Blog besprochenen Automatisierungstools dabei helfen, Annotationen in großem Umfang zu erstellen. Darüber hinaus ist ein Expertenteam unerlässlich, um die Datenannotation in großem Umfang ermöglichen zu können. eInfochips ist ein technischer Partner für viele Unternehmen auf der Welt und verfügt über Fachwissen über den gesamten Produktlebenszyklus, angefangen vom Produktdesign bis zur Qualitätsentwicklungsphase, sowie über die gesamte Wertschöpfungskette, angefangen vom Gerät bis hin zur Digitaltechnik. Labelify ist außerdem Experte für KI und maschinelles Lernen. Das Unternehmen hat mit einer Vielzahl von Automobilunternehmen zusammengearbeitet, um erstklassige Lösungen bereitzustellen. Für weitere Informationen über unsere Datenannotation, Automotive-Lösungen und KI/ML-Expertise kontaktieren Sie unsere Experten.
