Bir Otomotiv ADAS Programı için Sensör ve Video Etiketleme
Gelişmiş sürücü destek sistemleri geliştiren bir otomotiv teknolojisi şirketi, algı modellerini araçları, yayaları ve yol özelliklerini doğru tanıyacak şekilde eğitmek için yol sahnesi videosunun ve sensör verisinin yüksek hacimli etiketlenmesine ihtiyaç duyuyordu.
Client snapshot
| Industry | Otomotiv teknolojisi ve ADAS |
|---|---|
| Region | Müşterinin yol koşulu çeşitliliği gereklilikleriyle eşleştirilmiş çok ülkeli |
| Engagement type | Yol sahnesi videosu ve sensör etiketleme |
The challenge
Müşteri, geniş bir yol, hava ve aydınlatma koşulları yelpazesinde, güvenlikle ilgili bir algı sistemini destekleyecek yüksek doğruluk gereklilikleriyle, dahili ekibinin kapasitesini çok aşan bir etiketleme hacmine ihtiyaç duyuyordu.
The approach
Jwuma, müşterinin yol sahnesi veri setindeki araçları, yayaları, şerit işaretlerini ve yol özelliklerini ayrıntılı bir etiketleme şartnamesine göre etiketlemek için eğitimli etiketleyiciler atadı; kullanım durumunun güvenlikle ilgili doğası nedeniyle çok kademeli bir inceleme merdiveni ve etiketleme sapmasını yakalamak için altın görev kalibrasyonu uygulandı.
Results
Müşteri, algı modelinin güvenlik doğrulama süreci için gereken doğruluk eşiğini korurken etiketleme verimini dahili kapasitenin çok ötesine ölçekledi.
Frequently asked questions
ADAS etiketleme neden genel görüntü etiketlemeden daha yüksek bir kalite çıtası gerektirir?
Çünkü etiketleme hataları güvenlikle ilgili bir algı sistemini doğrudan etkileyebilir; bu da genel amaçlı etiketleme işinden daha sıkı inceleme ve kalibrasyon gerektirir.
ADAS eğitim verisi hangi yol koşullarını kapsamalı?
Çeşitli hava, aydınlatma, yol türü ve trafik yoğunluğu koşulları; çünkü dar koşullarda eğitilen bir model diğerlerine zayıf genelleme yapar.
Bu ölçekte etiketleme doğruluğu nasıl doğrulanır?
Çok kademeli inceleme yükseltmesi ve sapmayı teslim edilen veri setine ulaşmadan yakalamak için etiketleme kuyruğuna yerleştirilen cevabı bilinen altın görevler yoluyla.
Related case studies
Küresel Bir Mobilite Platformu için Yüz ve Kimlik Doğrulama Verisi
Küresel bir mobilite ve araç çağırma platformu, sıkı onay ve biyometrik veri işleme gereklilikleri altında bir sürücü ve yolcu güvenlik doğrulama sistemini güçlendirmek için birden çok bölgeden doğrulanmış yüz ve kimlik verisine ihtiyaç duyuyordu.
Bir Robotik Yapay Zeka Programı için Egosentrik Video Verisi Toplama
Bir robotik yapay zeka şirketi, bedenlenmiş bir yapay zeka modelini tek bir laboratuvar ortamının ötesine genelleyecek şekilde eğitmek için, çeşitli ortamlarda ve vücut tiplerinde tutarlı biçimde yakalanmış, insanların günlük fiziksel görevleri yapışını gösteren birinci şahıs videosuna ihtiyaç duyuyordu.
Konuşmaya Dayalı Bir Yapay Zeka Modeli için RLHF Değerlendirmesi
Konuşmaya dayalı bir yapay zeka şirketi, mevcut geçici puanlayıcı havuzu tutarsız puanlama ürettikten sonra, RLHF ince ayar süreci için sohbet botu yanıt kalitesini puanlayacak yapılandırılmış ve ölçeklenebilir bir insan değerlendirme hattına ihtiyaç duyuyordu.
Published 2026-10-02 by Jwuma, operated by Corpshore AI. This case study is an anonymized composite representative of the kind of work Jwuma performs in this industry, described by industry, region and engagement type rather than by company name, since this engagement is not yet cleared for public naming. Discuss a similar program at client.corpshore.ai.