박스, 폴리곤, 마스크로 복잡한 장면의 개별 부품을 표시하세요. 가려진 경계를 확인하고 인스턴스 정의의 일관성을 유지합니다.
정의된 스키마에 따라 눈에 보이는 도구나 고정구의 특징에 점을 배치하세요. 이 이미지 좌표는 후속 인지 모델에 라벨링된 근거를 제공합니다.
라벨은 인지 작업에 따라 달라집니다. 위치에는 객체 박스, 형태에는 마스크, 보이는 특징점에는 점, 범주나 상태에는 구조화된 속성을 사용합니다. Unitlab은 이 라벨을 원본 카메라 이미지에 연결해 유지합니다.
네. 선택한 도형으로 각 인스턴스를 어노테이션하고 필요하면 가림 속성을 기록하세요. 검토자는 어려운 경계를 확인하고 일관되지 않은 인스턴스를 수정할 수 있습니다.
네. 작업별 스키마에 따라 눈에 보이는 객체나 도구의 특징점을 라벨링할 수 있습니다. 검토된 이미지 라벨은 후속 로봇 제어, 자세 추정, 파지 계획에 활용됩니다.
네. 관련 시점의 카메라 이미지를 준비하고 공통 클래스 정의를 사용하세요. 이미지 라벨은 각 원본 시점에 연결된 상태로 유지됩니다.
객체 인식은 카메라 이미지의 라벨링된 객체와 특징점에 집중합니다. 로봇 시연은 관련 기록과 맥락을 모아 더 넓은 행동 학습 워크플로를 구성합니다.
작업 전에 공유 클래스, 구조화된 속성, 명확한 라벨링 지침을 정의하세요. 대표 예제와 맥락을 고려한 검토로 로봇 객체 인식 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.
