As capacidades de ve\u00edculos semi-aut\u00f4nomos ou aut\u00f4nomos s\u00e3o poss\u00edveis por meio de anota\u00e7\u00f5es. A anota\u00e7\u00e3o refere-se ao processo de identifica\u00e7\u00e3o da \u00e1rea de interesse ou objeto de interesse em um v\u00eddeo ou imagem com caixas de delimita\u00e7\u00e3o, bem como a especifica\u00e7\u00e3o de outros atributos que auxiliam os modelos de ML a reconhecer e compreender os objetos detectados pelos sensores do ve\u00edculo.<\/p>\n
Carros aut\u00f4nomos e semiaut\u00f4nomos possuem tecnologias que desempenham um papel importante na melhoria da experi\u00eancia de dirigir. Isso ocorre pela presen\u00e7a de v\u00e1rios sensores de c\u00e2meras, sensores e outros dispositivos. Cada um desses componentes gera muita informa\u00e7\u00e3o. Um exemplo poderia ser o do dispositivo ADAS, baseado na vis\u00e3o computacional. Ele utiliza um computador para adquirir uma compreens\u00e3o profunda das imagens e, analisando diferentes cen\u00e1rios, alertar o motorista para tomar sua decis\u00e3o com mais efic\u00e1cia.<\/p>\n
<\/p>\n
As fun\u00e7\u00f5es dos ve\u00edculos semi-aut\u00f4nomos e aut\u00f4nomos s\u00e3o aprimoradas gra\u00e7as \u00e0s anota\u00e7\u00f5es. A anota\u00e7\u00e3o refere-se \u00e0 rotulagem da \u00e1rea de interesse ou objeto de interesse no v\u00eddeo ou imagem usando caixas de limite, bem como a defini\u00e7\u00e3o de outras caracter\u00edsticas para ajudar os modelos ML a reconhecer e entender os objetos detectados por sensores dentro do ve\u00edculo. An\u00e1lises como reconhecimento facial, detec\u00e7\u00e3o de movimento e mais exigem dados de alta qualidade anotados corretamente.<\/p>\n
Se n\u00e3o houver uma anota\u00e7\u00e3o adequada da informa\u00e7\u00e3o, a condu\u00e7\u00e3o aut\u00f3noma pode n\u00e3o ser eficaz ao ponto de ser quase imposs\u00edvel de conseguir. A precis\u00e3o dos dados garante que a experi\u00eancia sem motorista seja tranquila.<\/p>\n
Os ve\u00edculos modernos geram grandes quantidades de dados devido \u00e0 exist\u00eancia de m\u00faltiplas c\u00e2meras e sensores. Se esses conjuntos de dados n\u00e3o forem rotulados adequadamente para serem processados, eles n\u00e3o poder\u00e3o ser usados em todo o seu potencial. Os conjuntos de dados devem ser utilizados como parte de um conjunto de avalia\u00e7\u00e3o para criar modelos de treinamento para ve\u00edculos aut\u00f4nomos. Diferentes ferramentas de automa\u00e7\u00e3o podem ajudar a rotular os dados porque rotul\u00e1-los manualmente levaria muito tempo.<\/p>\n
Para permitir que um ve\u00edculo aut\u00f4nomo viaje de A a B, ele deve ser capaz de compreender perfeitamente o ambiente ao seu redor. Um cen\u00e1rio ideal para fun\u00e7\u00f5es de dire\u00e7\u00e3o que voc\u00ea gostaria de incorporar em um ve\u00edculo pode exigir dois conjuntos de sensores id\u00eanticos. Um conjunto ser\u00e1 o sensor definido no processo de teste enquanto o segundo conjunto de sensores \u00e9 usado como um indicador.<\/p>\n
Suponhamos que um carro percorra 3.000 milhas a uma velocidade m\u00e9dia de 45 quil\u00f4metros por hora sob condi\u00e7\u00f5es de condu\u00e7\u00e3o variadas. Com esses n\u00fameros podemos determinar que o carro levou 6700 horas para percorrer a dist\u00e2ncia. Tamb\u00e9m poderia ter v\u00e1rias c\u00e2meras e LIDAR<\/a> (Light Detection and Ranging) sistemas e Se assumirmos que eles gravaram a uma taxa m\u00ednima de 10 quadros por minuto durante a dura\u00e7\u00e3o de 6700 horas, 240 milh\u00f5es de quadros de dados poderiam ser gerados. Supondo que cada quadro possa conter, normalmente, quinze objetos, incluindo outros ve\u00edculos e pedestres, sem\u00e1foros e outros objetos, teremos mais de 3,5 bilh\u00f5es de itens. Cada objeto deve ser marcado.<\/p>\n Simplesmente anotar n\u00e3o \u00e9 suficiente. Deve ser preciso tamb\u00e9m. Na aus\u00eancia disso, \u00e9 imposs\u00edvel fazer compara\u00e7\u00f5es significativas entre os diferentes conjuntos de sensores para o autom\u00f3vel. E se f\u00f4ssemos obrigados a marcar manualmente todos os objetos?<\/p>\n Vamos tentar entender como funciona a anota\u00e7\u00e3o manual. A primeira etapa \u00e9 navegar pelas varreduras do LIDAR e, em seguida, obter a filmagem da c\u00e2mera apropriada. No caso de voc\u00ea ter um LIDAR com vis\u00e3o de 360 graus, seria uma configura\u00e7\u00e3o multic\u00e2mera que mostrar\u00e1 a filmagem de acordo com o que \u00e9 conhecido como perspectiva LIDAR. Depois que as varreduras do LIDAR e as imagens da c\u00e2mera forem coletadas, a pr\u00f3xima etapa \u00e9 alinhar a perspectiva do LIDAR com a c\u00e2mera. Se voc\u00ea souber quais objetos est\u00e3o na \u00e1rea A segunda etapa \u00e9 realizar a detec\u00e7\u00e3o de objetos e colocar limites 3D ao redor deles.<\/p>\n O simples ato de colocar caixas delimitadoras, bem como anota\u00e7\u00f5es generalizadas, como pedestres, carros ou sinais de parada, etc., n\u00e3o seriam suficientes. H\u00e1 atributos<\/a> para descrever com mais precis\u00e3o o que voc\u00ea est\u00e1 vendo. Al\u00e9m disso, \u00e9 essencial saber o significado de paradas, objetos em movimento, objetos parados e ve\u00edculos de emerg\u00eancia, a classifica\u00e7\u00e3o da ilumina\u00e7\u00e3o, bem como que tipo de luzes de advert\u00eancia os ve\u00edculos de emerg\u00eancia incluem, etc. Esta deve ser uma lista abrangente dos objetos e seus atributos em que cada atributo precisa ser considerado por sua vez. Isso significa que estamos discutindo uma grande quantidade de informa\u00e7\u00f5es.<\/p>\n Depois de concluir isso, voc\u00ea precisa ter certeza de que possui as anota\u00e7\u00f5es corretas. Outra pessoa \u00e9 necess\u00e1ria para verificar se os dados que voc\u00ea anotou est\u00e3o corretos. Isso garantir\u00e1 que n\u00e3o haja espa\u00e7o para erros. Se o processo de anota\u00e7\u00e3o for feito manualmente, com um tempo m\u00e9dio de 60 segundos por objeto, precisar\u00edamos de 60 milh\u00f5es de horas, ou apenas 6-849 anos civis para marcar todos os 3,6 bilh\u00f5es de objetos que discutimos anteriormente. Portanto, anotar objetos manualmente \u00e9 imposs\u00edvel.<\/p>\n No exemplo anterior, podemos concluir que n\u00e3o \u00e9 prov\u00e1vel adicionar anota\u00e7\u00f5es manualmente aos dados. V\u00e1rias ferramentas de c\u00f3digo aberto podem ajudar nessa tarefa. \u00c9 poss\u00edvel detectar objetos automaticamente independentemente das perspectivas, baixa resolu\u00e7\u00e3o ou ilumina\u00e7\u00e3o fraca. Isso \u00e9 poss\u00edvel gra\u00e7as aos modelos de aprendizado profundo. Quando se trata de automa\u00e7\u00e3o, o primeiro passo ser\u00e1 projetar a tarefa de anota\u00e7\u00e3o. Comece por nomear a tarefa, dando os r\u00f3tulos e as caracter\u00edsticas que lhe est\u00e3o associadas. Depois de concluir isso, voc\u00ea estar\u00e1 pronto para criar o banco de dados de dados que precisa ser anotado.<\/p>\n Al\u00e9m do acima, existem in\u00fameros outros recursos que podem ser adicionados ao trabalho. A anota\u00e7\u00e3o pode ser realizada com caixas, pol\u00edgonos e polilinhas. Diferentes tipos de anota\u00e7\u00e3o incluem o modo de interpola\u00e7\u00e3o, bem como a segmenta\u00e7\u00e3o do modo de anota\u00e7\u00e3o de atributo e outros.<\/p>\n A automa\u00e7\u00e3o reduz o tempo necess\u00e1rio para anotar os dados. A automa\u00e7\u00e3o reduzir\u00e1 em 65% o esfor\u00e7o e a fadiga mental.<\/p>\n Para que isso aconte\u00e7a, as ferramentas de automa\u00e7\u00e3o discutidas anteriormente neste blog ajudar\u00e3o a obter anota\u00e7\u00f5es em tamanho grande. Al\u00e9m disso, \u00e9 fundamental contar com uma equipe especializada para poder facilitar a anota\u00e7\u00e3o de dados em grande escala. A eInfochips tem sido um parceiro de engenharia para muitas das empresas do mundo com experi\u00eancia em todo o ciclo de vida do produto, desde o design do produto at\u00e9 a fase de engenharia de qualidade, bem como em toda a cadeia de valor, desde o dispositivo at\u00e9 o digital. Labelify tamb\u00e9m \u00e9 especialista em IA e aprendizado de m\u00e1quina. Ela trabalhou com uma variedade de empresas automotivas para fornecer solu\u00e7\u00f5es de alta qualidade. Para obter mais informa\u00e7\u00f5es sobre nossa anota\u00e7\u00e3o de dados, solu\u00e7\u00f5es automotivas e experi\u00eancia em IA\/ML, entre em contato com nossos especialistas.<\/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…<\/p>\n","category_list":"Data Annotation<\/a>","author_info":{"name":"Parth P","url":"https:\/\/www.datalabelify.com\/pt\/author\/soeuidhae\/"},"comments_num":"0 comments","_links":{"self":[{"href":"https:\/\/www.datalabelify.com\/pt\/wp-json\/wp\/v2\/posts\/3019","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.datalabelify.com\/pt\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.datalabelify.com\/pt\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.datalabelify.com\/pt\/wp-json\/wp\/v2\/users\/3"}],"replies":[{"embeddable":true,"href":"https:\/\/www.datalabelify.com\/pt\/wp-json\/wp\/v2\/comments?post=3019"}],"version-history":[{"count":2,"href":"https:\/\/www.datalabelify.com\/pt\/wp-json\/wp\/v2\/posts\/3019\/revisions"}],"predecessor-version":[{"id":3088,"href":"https:\/\/www.datalabelify.com\/pt\/wp-json\/wp\/v2\/posts\/3019\/revisions\/3088"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.datalabelify.com\/pt\/wp-json\/wp\/v2\/media\/14331"}],"wp:attachment":[{"href":"https:\/\/www.datalabelify.com\/pt\/wp-json\/wp\/v2\/media?parent=3019"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.datalabelify.com\/pt\/wp-json\/wp\/v2\/categories?post=3019"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.datalabelify.com\/pt\/wp-json\/wp\/v2\/tags?post=3019"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}Como a Automa\u00e7\u00e3o pode ajudar?<\/h3>\n
Fechando<\/h3>\n