눈에 보이는 도로 이용자에 밀착된 2D 박스를 그리고 합의된 가림 또는 가시성 속성을 기록하세요. 데이터셋 전체에 같은 객체 정의를 사용합니다.
폴리곤, 마스크, 지원되는 선 도형으로 카메라에 보이는 장면을 라벨링하세요. 복잡한 경계는 원본 이미지와 대조해 검토합니다.
객체 탐지, 의미 분할, 장면 이해를 위해 카메라 이미지에 2D 라벨을 준비하는 작업입니다. Unitlab은 팀이 이러한 학습 예제를 선별하고 어노테이션하며 검토하도록 지원합니다.
온톨로지에 차량, 보행자, 자전거 이용자, 교통 표지판, 신호등, 공사 관련 객체, 장면 영역을 포함할 수 있습니다. 의도한 인지 작업에 맞는 클래스를 선택하세요.
네. 어노테이터는 도형을 조정하고 구조화된 가시성 또는 가림 속성을 기록할 수 있습니다. 작업 전에 경계를 보이는 부분에 맞출지 다른 합의된 규칙을 따를지 정의하세요.
이 워크플로는 2D 카메라 이미지와 지원되는 도형을 다룹니다. 명확한 클래스, 경계, 장면 속성이 있는 이미지 기반 인지 데이터셋을 준비할 수 있습니다.
정지 이미지 라벨은 한 프레임의 객체와 영역을 설명합니다. 시간에 따른 움직임을 이해해야 하는 모델에는 교통 영상 어노테이션으로 지속적인 트랙과 변화하는 프레임별 속성을 추가합니다.
작업 전에 공유 클래스, 구조화된 속성, 명확한 라벨링 지침을 정의하세요. 대표 예제와 맥락을 고려한 검토로 카메라 기반 인지 데이터셋의 의견 차이를 해결합니다.
네. 이미지 어노테이션을 검토 및 재작업 단계로 보내세요. 검토자는 원본 데이터를 확인하고 라벨을 수정하며 추가 작업이 필요한 항목을 돌려보낼 수 있습니다.
네. 데이터셋 검색, 메타데이터, 태그, 사용 가능한 필터로 관련 이미지 자산을 선택하세요. 준비 워크플로에서 대표 조건과 어려운 예제를 확인할 수 있도록 유지합니다.
라벨 유형에 적합한 지원 형식으로 검토된 이미지 어노테이션을 내보내세요. 데이터셋 버전으로 준비된 예제 중 어떤 항목이 학습 또는 평가 릴리스에 포함되는지 확인할 수 있습니다.
