Anotasi Kotak Bounding Alatan Penglibatan Tanah (GET)
Shaip telah menghantar 40,000 anotasi kotak sempadan setiap bulan merentasi 15 kelas Alat Penglibatan Tanah — gigi baldi, penyesuai, selubung, selubung bibir — pada imejan baldi jengkaut, membezakan permukaan dalaman berbanding luaran di bawah keadaan tanah, serpihan, kabur gerakan dan cahaya malap gred medan, pada get ketepatan 99%+ dalam format KITTI 1.0, merentasi kontrak AI pemantauan haus selama 12 bulan.
Gambaran Keseluruhan projek
Memandangkan penyelenggaraan ramalan dan pemantauan kehausan beralih kepada AI peralatan berat, pelanggan memerlukan saluran paip anotasi khusus domain yang mampu mengesan dan melabel Alat Penglibatan Darat (GET) pada baldi jengkaut merentasi imejan medan dunia sebenar yang bising, kotor dan berbuih.
Shaip membina saluran anotasi hujung ke hujung yang meliputi penempatan kotak sempadan merentasi 15 kelas GET, pengendalian kes tepi peraturan emas, QA dua peringkat dan penghantaran KITTI 1.0 mingguan — menyokong irama pengeluaran 40 ribu imej sebulan selama 12 bulan pada gerbang ketepatan 99%.
Status Utama
Imej setiap Bulan
40,000
GET Kelas
15
Ambang Ketepatan
99%
Penghantaran Mingguan
10,000
Cabaran
- Menganotasi 40,000 gambar sebulan bersama 9–10 kotak sempadan setiap imej secara purata
- pengendalian 15 kelas GET yang berbeza dengan pembezaan wajah dalaman vs. luaran
- Bekerja dengan imejan gred medan — kotoran, serpihan, kabur gerakan, pencahayaan yang kurang baik dan sudut yang sukar
- Mengekalkan Ketepatan anotasi 99%+ di bawah tekanan penghantaran mingguan volum tinggi
- Mengeksport dalam Format KITTI 1.0 bersedia untuk integrasi latihan model langsung
Penyelesaian
GET Skema & Pembezaan Kelas
Shaip mengkonfigurasi ontologi GET 15 kelas yang meliputi pandangan baldi dalaman dan luaran. Anotator dilatih untuk membezakan antara permukaan dalaman dan luaran setiap komponen — pembezaan khusus domain yang penting untuk ketepatan pemantauan haus hiliran.
Peraturan Emas untuk Imej Lapangan
Anotator mematuhi peraturan keemasan yang ketat untuk mengekalkan integriti data. Tiada anotasi dicipta jika komponen tidak kelihatan dengan jelas. GET yang diliputi oleh lebih daripada 50% serpihan dilangkau. Komponen kabur atau gelap dikecualikan. Kelas bibir hanya dilabelkan apabila 100% objek kelihatan. Zum hanya digunakan untuk navigasi, bukan untuk keputusan pelabelan.
Perpustakaan Latihan Edge-Case
Empat belas kajian kes terperinci telah didokumenkan untuk melatih anotator tentang kes tepi biasa — GET yang sebahagiannya tersumbat, baldi bergerak, latar belakang gelap dan kekaburan sempadan antara komponen bersebelahan. Pustaka ini menjadikan garis panduan anotasi sebagai salah satu yang paling komprehensif dalam domain AI peralatan berat.
Pintu QA Dua Tahap & Ketepatan 99%
Selepas anotasi Tahap 1, semua imej dihantar kepada pasukan QC khusus untuk semakan berstruktur. Ralat kecil telah dibetulkan dengan maklum balas anotasi; ralat utama mencetuskan penugasan semula kerja. Set data hanya diluluskan apabila ketepatan anotasi mencapai 99% atau lebih. Semua hasil QC direkodkan dalam helaian penjejakan untuk ketelusan penuh.
Penghantaran Mingguan dalam Format KITTI 1.0
Sasaran penghantaran mingguan dikekalkan dengan ketat pada 10,000 imej, semuanya dieksport dalam format KITTI 1.0 dan sedia untuk penyepaduan latihan model langsung. Kontrak 12 bulan mengekalkan irama ini tanpa sebarang gelinciran.
Skop projek
| Jenis Set Data | Jumlah Bulanan | kelas | Purata Kotak / Imej | format | Kontrak |
|---|---|---|---|---|---|
| Anotasi kotak sempadan GET | Imej 40,000 | 15 kelas GET | 9–10 kotak | KITTI 1.0 | 12 bulan |
Hasil
- Ditubuhkan a Saluran paip 12 bulan, 40 ribu imej setiap bulan untuk pengesanan haus peralatan berat AI
- Diperkayakan 15 kelas GET dengan pembezaan wajah dalaman/luaran
- Mengekalkan Pintu ketepatan 99%+ merentasi setiap kelompok di bawah tekanan penghantaran mingguan
- Dibina a 14 pustaka kes pinggir kajian kes untuk latihan anotator dan onboarding
- Dihantar Output format KITTI 1.0 bersedia untuk integrasi latihan model langsung
Secara keseluruhannya, Shaip telah membantu mengubah keperluan pengesanan GET gred lapangan kepada saluran paip anotasi berstruktur dan sedia untuk pengeluaran — saluran paip yang mampu menyokong pemantauan haus, penyelenggaraan ramalan dan inisiatif AI peralatan pembinaan dengan konsistensi, kebolehkesanan dan ketepatan yang realistik di lapangan.
Shaip mengendalikan imej paling bersepah yang kami ada — kotoran, serpihan, kabur gerakan, dan sebagainya — dan masih memberikan ketepatan 99%+ pada irama penghantaran mingguan selama 12 bulan. Output KITTI 1.0 mereka terus digunakan dalam latihan model.
