배치 워크플로, 카메라 기반 Find Similar와 Auto-Tracking, 보간으로 반복적인 수동 LiDAR 라벨링을 줄입니다.
평균적으로 LiDAR 라벨의 85%가 자동으로 사전 라벨링되며, 이후 사람이 검토하고 다듬습니다.
큐레이션, 어노테이션, QA를 자동화하면 승인된 라벨당 비용을 최대 1/15 수준으로 낮출 수 있습니다.
포인트 클라우드와 연결된 캘리브레이션 카메라 뷰에서 도로 이용자의 바운딩 박스를 확인하세요. 3D 라벨을 기준으로 유지하면서 영상 정보로 클래스와 경계의 모호함을 해소합니다.
움직임이나 가시성이 바뀌는 지점에서 바운딩 박스 키프레임을 다듬으세요. 인접 프레임의 보간 결과를 검토하고 프로젝트의 가림 규칙을 일관되게 적용합니다.
기록된 포인트 클라우드 장면의 객체와 공간 구조에 라벨을 부여해 주행 인지 학습 데이터를 준비하는 작업입니다. 라벨에는 객체의 3D 범위, 포인트 클래스, 도로 경계와 프레임 간 변화가 포함될 수 있습니다.
차량, 보행자, 자전거 이용자와 모델에 필요한 도로 요소의 클래스를 정의하세요. 객체 범위에는 3D 바운딩 박스, 경계에는 폴리라인, 클래스별 영역에는 포인트 분할을 사용합니다.
네. 장면에 여러 포인트 클라우드 센서와 카메라 영상을 포함할 수 있습니다. 필요한 캘리브레이션과 포즈 정보를 제공하면 투영된 라벨과 연결된 카메라 바운딩 박스가 각 뷰에 일관되게 배치됩니다.
카메라 기반 추적은 캘리브레이션된 카메라 시퀀스에서 투영된 객체 박스를 따라간 뒤 LiDAR 포인트에 3D 바운딩 박스를 맞춥니다. 생성된 트랙을 검토하고 키프레임을 다듬을 때 수동 수정 사항은 보존됩니다.
바운딩 박스 트랙은 객체 식별 정보, 도형, 키프레임과 가시성 구간을 유지합니다. 보간은 키프레임 사이의 위치, 크기와 회전을 채웁니다. 어노테이터는 결과를 포인트 클라우드와 대조하고 모호한 움직임이나 가시성 변화를 수정합니다.
Unitlab은 PCD, PLY, BIN 포인트 클라우드와 ZIP 및 폴더 기반 장면 업로드를 지원합니다. 장면 매니페스트에 센서, 프레임, 카메라 캘리브레이션과 포즈를 정의할 수 있습니다. 주행 데이터셋을 가져오기 전에 형식과 장면 구조를 확인하세요.
공유 지침, 필수 속성, 전문가 검토, 독립 LiDAR 장면의 Consensus, Quality Gate 기준 데이터를 사용하세요. 프레임 전반에서 도형과 객체 식별 정보를 확인하고 문제를 해결한 뒤 라벨을 승인합니다.
네. 폴더, 태그, 메타데이터와 제공되는 필터로 장면을 정리하세요. 대표적인 경로, 조건과 어려운 사례를 선택하고 데이터셋 버전에 기록해 어노테이션과 검토에 사용합니다.
검토된 LiDAR 어노테이션을 Unitlab Unified Export Format(UUEF)으로 내보내면 지원되는 도형, 트랙, 장면 메타데이터, 캘리브레이션과 포인트 라벨 배열이 유지됩니다. 사용 전에 학습 코드에 맞는 클래스 규칙과 좌표 처리를 확인하세요.
