Les capacit\u00e9s des v\u00e9hicules semi-autonomes ou autonomes sont rendues possibles gr\u00e2ce aux annotations. L'annotation fait r\u00e9f\u00e9rence au processus d'identification de la zone d'int\u00e9r\u00eat ou de l'objet d'int\u00e9r\u00eat dans une vid\u00e9o ou une image avec des cadres de d\u00e9limitation, ainsi qu'\u00e0 la sp\u00e9cification d'autres attributs qui aident les mod\u00e8les ML \u00e0 reconna\u00eetre et \u00e0 comprendre les objets d\u00e9tect\u00e9s par les capteurs du v\u00e9hicule.<\/p>\n
Les voitures autonomes et semi-autonomes disposent de technologies qui jouent un r\u00f4le important dans l'am\u00e9lioration de l'exp\u00e9rience de conduite. C'est par la pr\u00e9sence de nombreux capteurs cam\u00e9ras, capteurs, ainsi que d'autres dispositifs. Chacun de ces composants g\u00e9n\u00e8re beaucoup d'informations. Un exemple pourrait \u00eatre celui du dispositif ADAS, qui est bas\u00e9 sur la vision par ordinateur. Il utilise un ordinateur pour acqu\u00e9rir une compr\u00e9hension approfondie des images et, en analysant diff\u00e9rents sc\u00e9narios, alerter le conducteur pour qu'il prenne sa d\u00e9cision plus efficacement.<\/p>\n
<\/p>\n
Les fonctions des v\u00e9hicules semi-autonomes et autonomes sont enrichies gr\u00e2ce aux annotations. L'annotation fait r\u00e9f\u00e9rence \u00e0 l'\u00e9tiquetage de la zone d'int\u00e9r\u00eat ou de l'objet qui pr\u00e9sente un int\u00e9r\u00eat dans la vid\u00e9o ou l'image \u00e0 l'aide de bo\u00eetes de d\u00e9limitation ainsi qu'\u00e0 la d\u00e9finition d'autres caract\u00e9ristiques pour aider les mod\u00e8les ML \u00e0 reconna\u00eetre et \u00e0 comprendre les objets d\u00e9tect\u00e9s par les capteurs \u00e0 l'int\u00e9rieur du v\u00e9hicule. Des analyses telles que la reconnaissance faciale, la d\u00e9tection de mouvement, etc. n\u00e9cessitent des donn\u00e9es de haute qualit\u00e9 correctement annot\u00e9es.<\/p>\n
S'il n'y a pas une annotation appropri\u00e9e des informations, la conduite autonome pourrait ne pas \u00eatre efficace au point d'\u00eatre presque impossible \u00e0 r\u00e9aliser. La pr\u00e9cision des donn\u00e9es garantit que l'exp\u00e9rience sans conducteur est fluide.<\/p>\n
Les v\u00e9hicules modernes g\u00e9n\u00e8rent de grandes quantit\u00e9s de donn\u00e9es en raison de l'existence de plusieurs cam\u00e9ras et capteurs. Si ces ensembles de donn\u00e9es ne sont pas correctement \u00e9tiquet\u00e9s pour \u00eatre trait\u00e9s, ils ne peuvent pas \u00eatre utilis\u00e9s \u00e0 leur plein potentiel. Les ensembles de donn\u00e9es doivent \u00eatre utilis\u00e9s dans le cadre d'une suite d'\u00e9valuations pour cr\u00e9er des mod\u00e8les de formation pour les v\u00e9hicules autonomes. Diff\u00e9rents outils d'automatisation peuvent aider \u00e0 \u00e9tiqueter les donn\u00e9es car les \u00e9tiqueter manuellement prendrait beaucoup de temps.<\/p>\n
Pour permettre \u00e0 un v\u00e9hicule autonome de se d\u00e9placer de A \u00e0 B, il doit \u00eatre capable d'appr\u00e9hender parfaitement l'environnement qui l'entoure. Un sc\u00e9nario id\u00e9al pour les fonctions de conduite que vous souhaitez int\u00e9grer dans un v\u00e9hicule pourrait n\u00e9cessiter deux ensembles de capteurs identiques. Un ensemble sera l'ensemble de capteurs en cours de test tandis que le second ensemble de capteurs est utilis\u00e9 comme indicateur.<\/p>\n
Supposons qu'une voiture parcourt 3 000 milles \u00e0 une vitesse moyenne de 45 kilom\u00e8tres \u00e0 l'heure dans des conditions de conduite variables. Avec ces chiffres, nous pouvons d\u00e9terminer que la voiture a mis 6700 heures pour parcourir la distance. Il pourrait \u00e9galement avoir plusieurs cam\u00e9ras et LIDAR<\/a> (Light Detection and Ranging) et Si nous supposons qu'ils ont enregistr\u00e9 \u00e0 un rythme minimum de 10 images par minute pendant une dur\u00e9e de 6700 heures, 240 millions d'images de donn\u00e9es pourraient \u00eatre g\u00e9n\u00e9r\u00e9es. En supposant que chaque cadre puisse contenir, sur une base typique, quinze objets, y compris d'autres v\u00e9hicules et pi\u00e9tons, des feux de circulation ainsi que d'autres objets, nous aurons alors plus de 3,5 milliards d'\u00e9l\u00e9ments. Chaque objet doit \u00eatre \u00e9tiquet\u00e9.<\/p>\n Le simple fait de noter ne suffit pas. Il doit \u00eatre pr\u00e9cis aussi. En l'absence de cela, il est impossible d'\u00e9tablir des comparaisons significatives entre les diff\u00e9rents ensembles de capteurs pour l'automobile. Et si nous devions marquer manuellement chaque objet\u00a0?<\/p>\n Essayons de comprendre comment fonctionne l'annotation manuelle. La premi\u00e8re \u00e9tape consiste \u00e0 parcourir les scans LIDAR, puis \u00e0 afficher les s\u00e9quences de cam\u00e9ra appropri\u00e9es. Dans le cas o\u00f9 vous avez un LIDAR qui a une vue \u00e0 360 degr\u00e9s, il s'agirait d'une configuration multi-cam\u00e9ras qui affichera les images conform\u00e9ment \u00e0 ce que l'on appelle la perspective LIDAR. Une fois que les scans LIDAR et les images de la cam\u00e9ra ont \u00e9t\u00e9 rassembl\u00e9s, l'\u00e9tape suivante consiste \u00e0 aligner la perspective LIDAR avec la cam\u00e9ra. Si vous savez quels objets se trouvent dans la zone La deuxi\u00e8me \u00e9tape consiste \u00e0 effectuer la d\u00e9tection d'objets et \u00e0 placer des limites 3D autour d'eux.<\/p>\n Le simple fait de placer des bo\u00eetes englobantes ainsi que des annotations g\u00e9n\u00e9ralis\u00e9es telles que des pi\u00e9tons, des voitures ou des panneaux d'arr\u00eat, etc. ne pouvait suffire. Il y a les attributs<\/a> pour d\u00e9crire le plus pr\u00e9cis\u00e9ment ce que vous regardez. De plus, il est essentiel de conna\u00eetre la signification des arr\u00eats, des objets en mouvement, des objets stationnaires et des v\u00e9hicules d'urgence, la classification de l'\u00e9clairage ainsi que le type de voyants d'avertissement inclus dans les v\u00e9hicules d'urgence, etc. Il devrait s'agir d'une liste compl\u00e8te des objets et de leurs attributs. dans lequel chaque attribut doit \u00eatre consid\u00e9r\u00e9 \u00e0 tour de r\u00f4le. Cela signifie que nous discutons d'une grande quantit\u00e9 d'informations.<\/p>\n Une fois que vous avez termin\u00e9, vous devez vous assurer que vous avez les bonnes annotations. Une autre personne est tenue de v\u00e9rifier que les donn\u00e9es que vous avez annot\u00e9es sont exactes. Cela garantira qu'il n'y a pas de place pour l'erreur. Si le processus d'annotation est effectu\u00e9 manuellement, avec un temps moyen de 60 secondes par objet, il nous faudrait 60 millions d'heures, soit seulement 6 \u00e0 849 ann\u00e9es civiles pour marquer l'ensemble des 3,6 milliards d'objets dont nous avons parl\u00e9 plus t\u00f4t. Il est donc impossible d'annoter manuellement des objets.<\/p>\n Dans l'exemple pr\u00e9c\u00e9dent, nous pouvons conclure qu'il est peu probable d'ajouter manuellement des annotations aux donn\u00e9es. De nombreux outils open source peuvent vous aider dans cette t\u00e2che. Il est possible de d\u00e9tecter automatiquement des objets ind\u00e9pendamment des perspectives, de la faible r\u00e9solution ou de l'\u00e9clairage tamis\u00e9. Ceci est possible gr\u00e2ce aux mod\u00e8les d'apprentissage en profondeur. En ce qui concerne l'automatisation, la premi\u00e8re \u00e9tape consistera \u00e0 concevoir la t\u00e2che d'annotation. Commencez par nommer la t\u00e2che, en donnant les \u00e9tiquettes et les caract\u00e9ristiques qui lui sont associ\u00e9es. Une fois que vous avez termin\u00e9, vous \u00eates pr\u00eat \u00e0 cr\u00e9er la base de donn\u00e9es des donn\u00e9es dont vous disposez et qui doivent \u00eatre annot\u00e9es.<\/p>\n Au-del\u00e0 de ce qui pr\u00e9c\u00e8de, il existe de nombreuses autres fonctionnalit\u00e9s qu'il est possible d'ajouter au travail. L'annotation peut \u00eatre r\u00e9alis\u00e9e avec des bo\u00eetes, des polygones et des polylignes. Diff\u00e9rents types d'annotation incluent le mode d'interpolation ainsi que la segmentation du mode d'annotation d'attribut et autres.<\/p>\n L'automatisation r\u00e9duit le temps n\u00e9cessaire pour noter les donn\u00e9es. L'automatisation r\u00e9duira de 65% l'effort et la fatigue mentale.<\/p>\n Pour que cela se produise, les outils d'automatisation discut\u00e9s pr\u00e9c\u00e9demment dans ce blog aideront \u00e0 r\u00e9aliser des annotations de grande taille. De plus, il est indispensable de disposer d'une \u00e9quipe experte pour pouvoir faciliter l'annotation des donn\u00e9es \u00e0 grande \u00e9chelle. eInfochips a \u00e9t\u00e9 un partenaire d'ing\u00e9nierie pour de nombreuses entreprises du monde avec une expertise sur l'ensemble du cycle de vie du produit, de la conception du produit \u00e0 la phase d'ing\u00e9nierie de la qualit\u00e9, ainsi que sur toute la cha\u00eene de valeur, de l'appareil au num\u00e9rique. Labelify est \u00e9galement un expert en IA ainsi qu'en apprentissage automatique. Il a travaill\u00e9 avec une vari\u00e9t\u00e9 d'entreprises automobiles pour fournir des solutions de qualit\u00e9 sup\u00e9rieure. Pour plus d'informations sur nos annotations de donn\u00e9es, nos solutions automobiles et notre expertise IA\/ML, contactez nos experts.<\/p>","protected":false},"excerpt":{"rendered":" An Introduction To Data Annotation In Autonomous Cars The capabilities of semi-autonomous or autonomous vehicles are made possible through annotations. Annotation refers to the process of identifying the area of interest or object of interest in a video or image with boundary boxes, as well as specifying other attributes that aid the ML models recognize […]<\/p>","protected":false},"author":3,"featured_media":14331,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"inline_featured_image":false,"footnotes":""},"categories":[1],"tags":[],"class_list":["post-3019","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-data-annotation"],"blocksy_meta":[],"featured_image_urls":{"full":["https:\/\/www.datalabelify.com\/wp-content\/uploads\/2021\/11\/Data-Annotation-In-Autonomous-Cars.jpg",2240,1260,false],"thumbnail":["https:\/\/www.datalabelify.com\/wp-content\/uploads\/2021\/11\/Data-Annotation-In-Autonomous-Cars-150x150.jpg",150,150,true],"medium":["https:\/\/www.datalabelify.com\/wp-content\/uploads\/2021\/11\/Data-Annotation-In-Autonomous-Cars-300x169.jpg",300,169,true],"medium_large":["https:\/\/www.datalabelify.com\/wp-content\/uploads\/2021\/11\/Data-Annotation-In-Autonomous-Cars-768x432.jpg",768,432,true],"large":["https:\/\/www.datalabelify.com\/wp-content\/uploads\/2021\/11\/Data-Annotation-In-Autonomous-Cars-1024x576.jpg",1024,576,true],"1536x1536":["https:\/\/www.datalabelify.com\/wp-content\/uploads\/2021\/11\/Data-Annotation-In-Autonomous-Cars-1536x864.jpg",1536,864,true],"2048x2048":["https:\/\/www.datalabelify.com\/wp-content\/uploads\/2021\/11\/Data-Annotation-In-Autonomous-Cars-2048x1152.jpg",2048,1152,true],"trp-custom-language-flag":["https:\/\/www.datalabelify.com\/wp-content\/uploads\/2021\/11\/Data-Annotation-In-Autonomous-Cars-18x10.jpg",18,10,true],"ultp_layout_landscape_large":["https:\/\/www.datalabelify.com\/wp-content\/uploads\/2021\/11\/Data-Annotation-In-Autonomous-Cars-1200x800.jpg",1200,800,true],"ultp_layout_landscape":["https:\/\/www.datalabelify.com\/wp-content\/uploads\/2021\/11\/Data-Annotation-In-Autonomous-Cars-870x570.jpg",870,570,true],"ultp_layout_portrait":["https:\/\/www.datalabelify.com\/wp-content\/uploads\/2021\/11\/Data-Annotation-In-Autonomous-Cars-600x900.jpg",600,900,true],"ultp_layout_square":["https:\/\/www.datalabelify.com\/wp-content\/uploads\/2021\/11\/Data-Annotation-In-Autonomous-Cars-600x600.jpg",600,600,true],"yarpp-thumbnail":["https:\/\/www.datalabelify.com\/wp-content\/uploads\/2021\/11\/Data-Annotation-In-Autonomous-Cars-120x120.jpg",120,120,true]},"post_excerpt_stackable":" An Introduction To Data Annotation In Autonomous Cars The capabilities of semi-autonomous or autonomous vehicles are made possible through annotations. Annotation refers to the process of identifying the area of interest or object of interest in a video or image with boundary boxes, as well as specifying other attributes that aid the ML models recognize and understand the objects detected by sensors of the vehicle. Autonomous and semi-autonomous cars have technologies that play an important part in improving the experience of driving. This is by the presence of numerous cameras sensors, sensors, as well as other devices. Each of these\u2026<\/p>\n","category_list":"Data Annotation<\/a>","author_info":{"name":"Parth P","url":"https:\/\/www.datalabelify.com\/fr\/author\/soeuidhae\/"},"comments_num":"0 comments","_links":{"self":[{"href":"https:\/\/www.datalabelify.com\/fr\/wp-json\/wp\/v2\/posts\/3019","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.datalabelify.com\/fr\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.datalabelify.com\/fr\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.datalabelify.com\/fr\/wp-json\/wp\/v2\/users\/3"}],"replies":[{"embeddable":true,"href":"https:\/\/www.datalabelify.com\/fr\/wp-json\/wp\/v2\/comments?post=3019"}],"version-history":[{"count":2,"href":"https:\/\/www.datalabelify.com\/fr\/wp-json\/wp\/v2\/posts\/3019\/revisions"}],"predecessor-version":[{"id":3088,"href":"https:\/\/www.datalabelify.com\/fr\/wp-json\/wp\/v2\/posts\/3019\/revisions\/3088"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.datalabelify.com\/fr\/wp-json\/wp\/v2\/media\/14331"}],"wp:attachment":[{"href":"https:\/\/www.datalabelify.com\/fr\/wp-json\/wp\/v2\/media?parent=3019"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.datalabelify.com\/fr\/wp-json\/wp\/v2\/categories?post=3019"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.datalabelify.com\/fr\/wp-json\/wp\/v2\/tags?post=3019"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}Comment l'automatisation peut-elle vous aider\u00a0?<\/h3>\n
Fermeture<\/h3>\n