Einfache Bilder sind schnell gelabelt. Die schwierigen entscheiden über das Modell.
YPAI legt die Taxonomie, die Regeln für Grenzfälle und die Prüfmethode vor der Produktion fest, damit Verdeckung, dünne Kanten, winzige Teile und dichte Instanzen in jedem Bild gleich gelabelt werden.
- Verdeckung wie viel vom Objekt sichtbar sein muss, damit es zählt
- Dünne Kante wo die Kante liegt, wenn der Kontrast sie nicht zeigt
- Winziges Objekt die Größe, unterhalb derer eine Instanz außerhalb des Umfangs liegt
- Dichte Instanzen wann sich berührende Objekte ein Label sind oder mehrere
Die Form zu zeichnen ist die leichte Hälfte. Zu entscheiden, was zählt, ist die Arbeit.
Zwei Annotator:innen können dasselbe Objekt zeichnen und trotzdem uneins sein. Was sie trennt, ist nicht Können, sondern ob die Richtlinie die Frage bereits beantwortet hat:
Eine gezeichnete Form
- Geometrie
- ein Klassenname
Ein entschiedenes Label
- was überhaupt als das Objekt gilt
- wo die Grenze liegt, wenn der Kontrast versagt
- wie viel Verdeckung noch ein Label rechtfertigt
- ob eine angeschnittene Instanz behalten oder verworfen wird
- wann sich berührende Objekte eine Instanz sind oder mehrere
- die Größe, unterhalb derer eine Instanz außerhalb des Umfangs liegt
- ob eine Abweichung ein Defekt oder innerhalb der Toleranz ist
- welche Attribute mit der Instanz geführt werden
- was eine Annotator:in tut, wenn das Bild mehrdeutig ist
- wer schlichtet und was das Protokoll zeigt
YPAI klärt diese Fragen vor der Produktion in der Richtlinie, nicht nachträglich in der Prüfung.
Dasselbe gilt für die industrielle Bildverarbeitung: Eine Oberflächenmarkierung wird erst dann zu brauchbaren Trainingsdaten, wenn die Richtlinie Produkt, Station, Prozessschritt, Toleranz, Blickwinkel und Prüfverfahren benennt, die entscheiden, ob es überhaupt ein Defekt ist.
Die Taxonomie wird um die Entscheidung gebaut, die das System treffen muss.
Diese Entscheidung kann sein:
- welches Objekt zu handhaben ist
- auf welche Instanz reagiert werden soll
- ob eine Baugruppe korrekt ist
- ob eine Oberfläche einen Defekt aufweist
- ob das System fortfahren, anhalten, erneut versuchen oder eskalieren soll
Die Ontologie, das Erfassungsprotokoll, die Annotation und der Abnahmeplan folgen aus dieser Entscheidung.
Beginnen Sie beim Engpass in den Daten.
YPAI kann eine definierte Stufe oder den gesamten Datenprozess übernehmen.
-
Einstiegspunkt: Die Richtlinie schreiben
Hier beginnen, wenn: Zwei Annotator:innen würden dasselbe Bild unterschiedlich beantworten.
Typisches Ergebnis Eine schriftliche Richtlinie mit ausgearbeiteten Beispielen, einer eingefrorenen Klassenliste und den Regeln, die Uneinigkeit auflösen.
-
Einstiegspunkt: Einen definierten Satz labeln
Hier beginnen, wenn: Sie haben Bilder und ein vereinbartes Abnahmekriterium.
Typisches Ergebnis Gelabelte Bilder mit Attributen pro Instanz, Prüfernachweisen, Übereinstimmungsergebnissen und Abnahmestatus.
-
Einstiegspunkt: Bestehende Daten neu labeln
Hier beginnen, wenn: Sie haben Labels, denen Sie nicht vertrauen oder die Sie nicht für Training und Evaluierung nutzen können.
Typisches Ergebnis Ein neu gelabelter Satz nach der aktuellen Taxonomie, mit den gefundenen Uneinigkeiten und wie jede aufgelöst wurde.
-
Einstiegspunkt: Den Annotationsbetrieb führen
Hier beginnen, wenn: Die Arbeit muss gegen eine sich ändernde Taxonomie weiterlaufen.
Typisches Ergebnis Ein gesteuerter Workflow für Labeling, Prüfung und Abnahme, verbunden mit Ihrer Umgebung für die Modellentwicklung.
Grenzfälle
Die Grenzfälle gehören zur Aufgabe.
Ein Modell, das mit sauberen Bildern trainiert wurde, trifft in der Produktion auf die anderen. Diese vier bestimmen die Richtlinie, und die Richtlinie bestimmt, ob zwei Annotator:innen übereinstimmen.
Jeder Fall wird vor der Produktion schriftlich geklärt, mit einem ausgearbeiteten Beispiel, damit die Antwort im ersten Bild dieselbe ist wie im vierzigtausendsten.
Jede Klasse sollte sagen, was sie ausschließt.
Die konkrete Taxonomie wird für Produkt, Station, Modellaufgabe und Abnahmekriterien des Kunden geschrieben.
Eine Annotationstaxonomie kann die folgenden Ebenen umfassen.
Repräsentative Taxonomie
- Klassendefinition
-
- was die Klasse ist
- was sie ausschließt
- benachbarte Klassen
- ausgearbeitete Beispiele
- bekannte Verwechslungen
- Geometrie
-
- Labeltyp pro Klasse
- Box, Polygon, Maske oder Keypoints
- minimale Instanzgröße
- Budget für Eckpunkte
- Präzisionstoleranz
- Kantenregeln
-
- wo die Kante liegt
- Vorgehen, wenn der Kontrast versagt
- Schatten und Reflexion
- spiegelnde und transparente Oberflächen
- Bewegungsunschärfe
- Verdeckung und Anschnitt
-
- Sichtbarkeitsschwelle
- Regel für den Bildrand
- Umgang mit Teilinstanzen
- Verdecker erfasst
- amodale oder sichtbare Ausdehnung
- Instanztrennung
-
- sich berührende Objekte
- gestapelte Objekte
- Gruppe oder Instanz
- Instanzidentität über Bilder hinweg
- Regeln für Teilen und Zusammenführen
- Attribute
-
- Attribute pro Instanz
- zulässige Werte
- wann ein Attribut erforderlich ist
- null und unbekannt
- Attributkonflikte
- Defektkriterien
-
- Produkt und Station
- Prozessschritt
- Toleranzband
- Schweregrade
- Abweichungen innerhalb der Toleranz
- Mehrdeutigkeit und Eskalation
-
- was die Annotator:in im Zweifel tut
- Grund der Markierung
- Eskalationsweg
- wer schlichtet
- wie sich die Entscheidung fortpflanzt
- Prüfung und Abnahme
-
- Stichprobenverfahren
- Übereinstimmungsmaß
- Prüfernachweis
- Auslöser für Nacharbeit
- Abnahmestatus
Die Taxonomie wird vor der Skalierung der Produktion eingefroren.
Eine Klassenliste ist keine Taxonomie. Die Regeln, die Uneinigkeit auflösen, sind es.
Die Taxonomie muss
den Kontakt mit einem
echten Bild überstehen.
Jede Ebene oben wird pro Instanz geführt. Eine Richtlinie, die sich gut liest, aber nicht auf dieses Bild angewendet werden kann, ist nicht fertig.
Das Ausgabeformat ist
eine Modellentscheidung.
Jeder Labeltyp bewahrt etwas anderes und kostet etwas anderes. Die Modellaufgabe entscheidet, welcher der richtige ist, nicht die Vorliebe der Annotator:innen.
- Klassifikation
- Box
- Polygon
- Maske
- Keypoints
Keypoints und Pose stehen außerhalb dieser Abfolge: Sie bewahren Gelenkstellung statt Ausdehnung, und sie werden gewählt, wenn das Modell auf das Objekt einwirken muss, nicht nur es finden.
Daten für die industrielle Bildverarbeitung sollten die Entscheidung an der Linie abbilden.
Ein Defektlabel ohne Prozesskontext reicht möglicherweise nicht aus, um das System zu trainieren oder zu evaluieren, das darauf reagieren muss. Dieselbe Oberflächenmarkierung ist an einer Station ein Defekt und an der nächsten innerhalb der Toleranz.
Der gelieferte Labelsatz erfasst nicht nur Klasse und Geometrie, sondern auch die Aufnahmebedingungen, unter denen die Prüfentscheidung getroffen wurde, sodass sich eine Uneinigkeit auf das Bild zurückführen lässt statt auf die Annotator:in.
Reale Daten verankern das System.
Synthetische Daten erweitern die Abdeckung.
Seltene Klassen und seltene Bedingungen sind genau die, die eine reale Erfassung selten enthält. Synthetische Bilder kommen vorgelabelt an und durchlaufen dieselbe Richtlinie, Prüfung und Abnahme wie die realen.
Reale Basis Synthetische Abdeckung - Basis-Labelsatz
- Lücken bei Klassen und Bedingungen
- Generieren
- Plausibilität prüfen
- Gegen reale Bilder evaluieren
- Den Kreis schließen
Synthetische Bilder sind ein Werkzeug für die Abdeckung, kein Ersatz für die Abnahme an realen.
Die Qualität folgt dem vollständigen Labelsatz.
Der Qualitätsprozess beginnt mit der Richtlinie, nicht mit der Prüfung, und endet erst, wenn die Version des Labelsatzes abgenommen ist.
Wo Genauigkeit oder Bestehensquote die geeignete Kennzahl ist, schlägt YPAI nach der Kalibrierung in der Regel einen Zielbereich von 95 % bis 99 % vor; die genaue Kennzahl, der Schwellenwert und die Prüfmethode werden in der Leistungsbeschreibung (SOW) festgelegt.
Wird mit der abgenommenen Version geliefert / Klassenliste & Taxonomie · Annotationsrichtlinie mit ausgearbeiteten Beispielen · Prüfer- und Schlichtungsnachweis · Übereinstimmungsbericht · Qualitätsbericht · Herkunfts- & Rechtenachweis · Labelsatz-Versionsnachweis · Prüfsummen
Geliefert in COCO, YOLO, Pascal VOC, KITTI, Parquet, JSONL oder einem kundenspezifischen Schema, oder darauf abgebildet. Die Formatunterstützung wird anhand der tatsächlichen Daten, des Loaders, der Toolchain und der Lieferanforderung geprüft.
Unterschiedliche Systeme erfordern unterschiedliche Datenprozesse. Wir grenzen diese getrennt ab: Foundation Models für Roboter, Manipulations- und Humanoidsysteme, industrielle Inspektion, Sensor- und Geräteprogramme sowie die Wiederherstellung bestehender Daten.
Senden Sie die Bilder, die Klassen und die Abnahmekriterien.
Das System, die Aufgabe, die Datenquelle, die Sensoren, der Umfang, die Annotation und das Lieferformat. YPAI antwortet mit Machbarkeit, Methode, Schema, Qualitätssicherung und Abnahme, Lieferformat und den offenen Entscheidungen vor dem Start.
Verwandte Themen
- Robotik bei YPAI Erfassung, Aufgabendemonstrationen und zurückgehaltene Ground Truth für Roboter in ihren Einsatzumgebungen.
- Datenerfassung Kundenspezifische Erfassung von Video-, Bild-, Sensor- und multimodalen Daten.
- Videoannotation Zeitliche Ereignisse, Tracking und Aktionslabels.
- LiDAR und 3D Punktwolkenannotation und räumliche Daten.
- Sensorfusion Synchronisierte multimodale Annotation.
- Bildannotation Detektion, Segmentierung und Keypoints.
- Betreute Annotation Ontologie, Produktion, Prüfung und Abnahme.
- Pilotprojekte Validieren Sie Aufgabe, Ergebnis und Abnahmeplan vor der Skalierung.