Danil Sidorov
RU EN DE
Telegram

Datensatz für einen Autopiloten

Ein annotierter Datensatz von Verkehrszeichen zum Training eines Autopiloten, der einen Wettbewerb gewonnen hat

AI / Компьютерное зрение

Interaktiver Live-Demostand

Exakte Kopie der Projektoberfläche und Geschäftslogik mit Demodaten. Alle Aktionen laufen in Echtzeit.

43 800 размеченных вручную кадров, 89 классов ГОСТ, победа в соревновании

StackPython, Computer Vision, YOLO, PyTorch, Hugging Face

Sicherer Perimeter (NDA): Produktionslogik mit Testdaten

Was im Demostand getestet werden kann:
  1. Переключите дорожные сцены с автомобильного видеорегистратора
  2. Включите тумблер YOLO-разметки с подсветкой классов и уверенности модели
  3. Изучите нормализованные координаты и класс объекта в инспекторе датасета
https://cv-demo.internal/dataset/inspect
Live Stand
Road Signs Vision YOLOv8 Detection Inspector · 89 GOST Classes
TensorRT FP16 · 14.2 ms / frame Hugging Face Hub · 43.8k frames
CAM_01 · FRONT 120° FOV FRAME_ID: #02941
Детектированные объекты в кадре
2 объекта
YOLO-разметка кадра (labels/*.txt)
Формат: <class_id> <x_center> <y_center> <w> <h>

                

Schlüsselfertige Umsetzung

Benötigen Sie ein ähnliches System für Ihre Geschäftsprozesse?

Ich entwickle die Architektur, ein ausfallsicheres Backend und eine schnelle Oberfläche. Geschützt durch NDA, sauberer übertragbarer Code und transparente Meilensteine.

  1. Kostenlose Zeit- und Budgeteinschätzung innerhalb eines Tages
  2. Vertrag und Rechnung
  3. Garantie und Support nach dem Launch

An Werktagen meist innerhalb von zwei Stunden

Ich antworte persönlich, ohne aufdringliche Verkaufsgespräche

Aufgabe

Für das Training eines Verkehrszeichen-Detektors fehlten Daten mit den passenden Klassen. Offene Datensätze passten weder bei der Annotation noch bei der Auswahl der Zeichen.

Lösung

Ich habe einen Datensatz von Verkehrszeichen gesammelt und annotiert, die Bilder ausgewählt, in ein einheitliches Format gebracht und nach Klassen beschriftet. Die Struktur passt zu einer Standard-Trainingspipeline, die Daten lassen sich ohne neue Annotation verwenden.

Umgesetzte Aufgaben

  • Bilder von Verkehrszeichen für die benötigten Klassen gesammelt und ausgewählt
  • Die Bilder in ein einheitliches Format gebracht
  • Die Bilder nach Klassen annotiert
  • Die Struktur für eine Standard-Trainingspipeline aufgebaut
  • Ein halbautomatisches Annotationswerkzeug trainiert
  • Den Datensatz mit dem Werkzeug verdoppelt
  • Die Daten nachbearbeitet und dem Kunden übergeben

Ergebnis

Ein fertiger Datensatz, mit dem ein Zeichendetektor sofort trainiert werden kann. Die Klassen lassen sich nach Bedarf erweitern. Ein Autopilot, der mit diesem Datensatz trainiert wurde, hat Wettbewerbe gewonnen. Links dazu stehen unten.

Technologien

Computer VisionDataset

Quellen

Die Links belegen die Zahlen in diesem Projekt

Erzählen Sie von Ihrer Aufgabe

Telegram