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.
모델 출력에 따라 3D 바운딩 박스, 포인트, 폴리라인, 다각형, 구 또는 포인트 분할을 선택하세요. 기록 전반에서 클래스 정의와 필수 속성을 일관되게 유지합니다.
기록 전체에서 객체 트랙과 변화하는 속성을 검토하세요. 원본 데이터로 확인할 수 있는 프레임에서 도형과 상태 변화를 수정합니다.
로봇 인지 모델을 위해 라벨링된 포인트 클라우드 예제를 준비하는 작업입니다. 라벨은 객체, 장애물, 작업 영역과 기록된 장면에서의 변화를 표현합니다.
네. 객체 도형에는 3D 바운딩 박스와 기타 공간 도형을, 클래스별 포인트 영역에는 포인트 분할을 사용하세요. 도구를 선택하기 전에 라벨 경계와 기대하는 모델 출력을 정의합니다.
네. 장면에 캘리브레이션과 포즈가 포함된 포인트 클라우드 센서와 카메라 영상을 구성할 수 있습니다. 어노테이터는 기록된 3D 장면과 라벨의 연결을 유지하면서 여러 뷰를 확인합니다.
지속적인 3D 객체 트랙, 키프레임, 보간과 가시성 구간을 사용하세요. 적절한 캘리브레이션 카메라 시퀀스가 있으면 카메라 기반 바운딩 박스 추적을 사용할 수 있으며, 생성된 결과는 검토해야 합니다.
재사용 가능한 클래스, 중첩 속성과 명확한 경계 및 가시성 규칙을 정의하세요. 대표 예제, 필수 속성 검사와 맥락을 고려한 검토로 기록 세션 간 차이를 해결합니다.
3D 바운딩 박스를 선택하고 캘리브레이션된 카메라 뷰에서 Find Similar로 유사한 객체를 찾으세요. 후보 검출 결과를 LiDAR 포인트에 맞추고 클래스와 도형을 검토한 뒤 필요한 라벨을 승인합니다.
PCD, PLY, BIN 포인트 클라우드를 파일, ZIP 장면 또는 폴더로 업로드하세요. 필요한 경우 장면 매니페스트를 사용해 프레임 시퀀스, 센서 정의, 카메라 캘리브레이션과 포즈를 지정합니다.
전문가 검토, 독립 장면의 Consensus와 승인된 Quality Gate 기준 데이터를 결합하세요. 맥락 속에서 도형과 속성을 확인하고 문제를 할당한 뒤 수정 결과를 검토해 어노테이션 릴리스를 만듭니다.
LiDAR 어노테이션을 Unitlab Unified Export Format(UUEF)으로 내보내면 지원되는 3D 도형, 트랙, 장면 메타데이터, 캘리브레이션과 포인트 라벨 배열이 포함됩니다. 내보낸 라벨이 학습 파이프라인의 좌표 및 클래스 규칙에 맞는지 확인하세요.
