תיוג ענן נקודות תלת מימדי של LiDAR עם חיישן Velodyne LiDAR באמזון SageMaker Ground Truth

LiDAR היא טכנולוגיה המאפשרת מפתח בשווקים אוטונומיים צומחים, כגון רובוטיקה, תעשייה, תשתיות ורכב. LiDAR מספקת נתונים תלת מימדיים מדויקים על הסביבה שלו בזמן אמת כדי לספק "חזון" לפתרונות אוטונומיים. עבור כלי רכב אוטונומיים (AVs), כמעט כל יצרנית רכב משתמשת ב-LiDAR כדי להגדיל את מערכות המצלמה והרדאר עבור ערימת תפיסה מקיפה המסוגלת לנווט בבטחה בסביבות כביש מורכבות. מערכות ראייה ממוחשבת יכולות להשתמש במפות התלת-ממד שנוצרות על ידי חיישני LiDAR לזיהוי אובייקטים, סיווג אובייקטים ופילוח סצנה. כמו כל מערכת למידת מכונה מפוקחת אחרת (ML), נתוני ענן הנקודות שנוצרו על ידי חיישני LiDAR צריכים להיות מסומנים בצורה נכונה על מנת שמודל ה-ML יוכל להסיק מסקנות נכונות. זה מאפשר למכשירי AV לפעול בצורה חלקה ויעילה, תוך הימנעות מאירועים והתנגשויות עם עצמים, הולכי רגל, כלי רכב ומשתמשי דרך אחרים.

בפוסט זה, אנו מדגימים כיצד לתייג נתוני ענן נקודות תלת מימדיים שנוצרו על ידי Velodyne LiDAR חיישנים באמצעות האמת של אמזון SageMaker. אנו מפרקים את תהליך שליחת הנתונים להערה על מנת שתוכלו לקבל תוצאות מדויקות ואיכותיות.

הקוד עבור דוגמה זו זמין ב GitHub.

סקירת פתרונות

SageMaker Ground Truth הוא שירות תיוג נתונים שבו אתה יכול להשתמש כדי ליצור מערכי נתונים מתויגים באיכות גבוהה עבור סוגים שונים של מקרי שימוש ב-ML. SageMaker Ground Truth היא יכולת ב אמזון SageMaker, שהוא שירות ML מקיף ומנוהל במלואו. עם SageMaker, מדעני נתונים ומפתחים יכולים במהירות ובקלות לבנות ולאמן מודלים של ML, ולאחר מכן לפרוס אותם ישירות בסביבה מוכנה לייצור.

בנוסף לנתוני LiDAR, אנו כוללים גם תמונות מצלמה, תוך שימוש בתכונת היתוך החיישנים ב- SageMaker Ground Truth כדי לספק מידע ויזואלי חזק על הסצנות שמתייגים הכותבים. באמצעות היתוך חיישנים, כותבים יכולים להתאים תוויות בסצינת התלת-ממד כמו גם בתמונות דו-ממדיות. הוא מספק את היכולת הייחודית להבטיח שהערות בנתוני LiDAR ישוקפו בתמונות דו-ממדיות, מה שהופך את התהליך ליעיל יותר.

עם SageMaker Ground Truth, ניתן לסמן את נתוני ענן הנקודות התלת-ממדיים של Velodyne LiDAR שנוצרו על ידי חיישן Velodyne LiDAR המותקן על רכב למעקב אחר עצמים נעים. במקרה השימוש המאתגר הזה, נוכל לעקוב אחר מסלול של אובייקט כמו מכונית או הולך רגל בסביבה דינמית, תוך כדי תנועה גם נקודת ההתייחסות שלנו. במקרה זה, נקודת ההתייחסות שלנו היא מכונית המצוידת ב- Velodyne LiDAR.

כדי לבצע משימה זו, אנו עוברים על הנושאים הבאים:

• טכנולוגיית Velodyne
• מערך הנתונים
• יצירת עבודת תיוג
• קובץ מניפסט הקלט של ענן הנקודות
• בניית קובץ מניפסט קלט הרצף
• תיוג קובץ התצורה של הקטגוריה
• ציון משאבי העבודה
• השלמת עבודת תיוג

תנאים מוקדמים

כדי ליישם את הפתרון בפוסט זה, עליך להיות בעל התנאים המוקדמים הבאים:

• חשבון AWS להפעלת הקוד.
• An שירות אחסון פשוט של אמזון (Amazon S3) דלי שאתה יכול לכתוב אליו. הדלי חייב להיות באותו אזור כמו מופע המחברת של SageMaker. אנחנו יכולים גם להגדיר קידומת S3 חוקית. כל הקבצים הקשורים לניסוי זה מאוחסנים בקידומת של הדלי שלנו. עלינו לצרף את מדיניות CORS לדלי הזה. להנחיות, עיין ב הגדרת שיתוף משאבים חוצי מוצא (CORS). הזן את המדיניות הבאה בעורך התצורה של CORS:

<?xml version="1.0" encoding="UTF-8"?>
<CORSConfiguration xmlns="http://s3.amazonaws.com/doc/2006-03-01/">
<CORSRule>
    <AllowedOrigin>*</AllowedOrigin>
    <AllowedMethod>GET</AllowedMethod>
    <AllowedMethod>HEAD</AllowedMethod>
    <AllowedMethod>PUT</AllowedMethod>
    <MaxAgeSeconds>3000</MaxAgeSeconds>
    <ExposeHeader>Access-Control-Allow-Origin</ExposeHeader>
    <AllowedHeader>*</AllowedHeader>
</CORSRule>
<CORSRule>
    <AllowedOrigin>*</AllowedOrigin>
    <AllowedMethod>GET</AllowedMethod>
</CORSRule>
</CORSConfiguration>

טכנולוגיית Velodyne

ניתן לחלק את LiDAR לקטגוריות שונות, כולל סריקת LiDAR ו-Flash LiDAR. סריקה קונבנציונלית של LiDAR משתמשת בסיבוב מכני כדי לסובב את החיישן לזיהוי של 360 מעלות. Velodyne, שהמציאה את 3D LiDAR הראשון בתעשייה, ממשיכה לחדש ולהשיק מוצרים סיבוביים חדשים עם טכנולוגיה חדשנית. ה-Ultra Puck של Velodyne הוא חיישן LiDAR סורק המשתמש בטכנולוגיית ה-Sound View הרשומה בפטנט של Velodyne. הוא מספק תצוגה סביבתית מלאה של 360 מעלות כדי לספק נתוני תלת מימד מדויקים בזמן אמת. ל-Ultra Puck יש גורם צורה קומפקטי ומספק את זיהוי האובייקטים בזמן אמת הדרוש לניווט בטוח והפעלה אמינה. עם שילוב של עוצמה אופטימלית וביצועים גבוהים, חיישן זה מספק מדידות מרחק ורפלקטיביות מכוילות בכל זוויות הסיבוב. זהו פתרון אידיאלי לרובוטיקה, מיפוי, אבטחה, סיוע לנהג וניווט אוטונומי. מלבד חיישן ה-LiDAR עצמו, Velodyne יצרה את ערכת הפיתוח של Vella (VDK), אוסף של כלים, חומרה ותיעוד המאפשרים גישה לערימת התוכנה האוטונומית של Velodyne. ניתן להגדיר את ה-VDK עבור ממשקים וסביבות מותאמות אישית שונות, ולספק לך מגוון רחב של יישומים להגברת האוטונומיה ובטיחות משופרת.

בנוסף, ה-VDK יכול להפחית את העבודה מראש שתצטרך להשקיע אחרת כדי לאפשר איסוף נתונים והערות מקצה לקצה על ידי מתן היכולות ההכרחיות הבאות:

• סנכרון שעון בין LiDAR, מדידת מרחק ומסגרות מצלמה
• כיול עבור LiDAR רכב 5-DOF כיול חיצוני (לא ניתן לצפות ב-z)
• כיול עבור פרמטרים חיצוניים, פנימיים ועיוותים של מצלמת LiDAR
• אסוף פיצוי על תנועה (תוך-פריים או רב-פריים), ענני נקודות LiDAR מסונכרנים ותמונות מצלמה

כדי לפתח יכולות תפיסה מבוססות רכב, צוות התוכנה של Velodyne הקים רכב משלהם לאיסוף נתונים עם אחת מיחידות ה-Ultra Puck LiDAR שלהם, מצלמה וחיישני GPS/IMU המורכבים על מכסה המנוע של הרכב. בשלבים הבאים, אנו מתייחסים לתהליכים הפנימיים שלהם המשתמשים ב-VDK כדי להכין, לאסוף ולהערות נתונים הדרושים לפיתוח יכולות התפיסה המבוססות על הרכב שלהם כדוגמה ללקוחות אחרים המנסים לפתור מקרי שימוש בתפיסה משלהם.

סנכרון שעון

סנכרון שעון מדויק של יציאות ה-LiDAR, האודומטריה והמצלמה יכול להיות חיוני עבור כל יישום מרובה חיישנים המשלב את זרמי הנתונים הללו. לקבלת התוצאות הטובות ביותר, עליך להשתמש ב-a PTP מערכת סנכרון עם שעון ראשי ותמיכה על ידי כל החיישנים. יתרון אחד של PTP הוא היכולת לסנכרן מספר מכשירים לדיוק גבוה עם מקור תזמון יחיד. מערכת כזו יכולה להשיג דיוק סנכרון טוב יותר מ-1 מיקרושנייה. פתרונות אחרים כוללים הפצת PPS ומקורות זמן לכל מכשיר. כאופציה חלופית, ה-VDK תומך בסנכרון תוכנה תוך שימוש בהחתמת זמן של זמן הגעה, מה שיכול להיות דרך מצוינת להוציא אפליקציה מהקרקע במהירות בהיעדר תשתית מתאימה לסנכרון שעון. זה יכול לגרום לשגיאות חותמת זמן בסדר גודל של 1-10 אלפיות שניות עקב שילוב של חביון ועיכובים בתור ברמות שונות של תשתית הרשת ומערכת ההפעלה המארחת, אשר עשוי להיות מקובל או לא מקובל, בהתאם ליישום.

כיול רכב LiDAR

כיול הרכב LiDAR מעריך את המיקום החיצוני של ה-LiDAR במסגרת הרכב לאורך חמישה צירים. ערך Z אינו ניתן לצפייה; לכן עליך למדוד את ערך z באופן עצמאי. התהליך שלנו הוא טכניקת כיול ללא מטרה, אך הוא עובד היטב בסביבה שבה הקרקע שטוחה יחסית, ולסביבה יש תכונות של אובייקטים סטטיים רציפים ולא תכונות דינמיות (רכבים, הולכי רגל) או לא צמודים (שיחים ושיחים). חשבו על חניון עם מעט מכשולים ומבנים עם חזיתות שטוחות. הנוכחות של מבנים גיאומטריים היא אידיאלית לשיפור איכות הכיול. המשתמש נדרש לנהוג בכמה דפוסי נהיגה מוגדרים מראש שצוינו על ידי VDK כדי לחשוף את רוב הפרמטרים. דקה אחת של נתונים מספיקה לכיול זה. לאחר העלאת הנתונים לשירות הפלטפורמה של Veldoyne, הכיול מתבצע על הענן והתוצאה זמינה תוך 24 שעות. למטרות מחברת זו, פרמטרי הכיול כבר עובדו וסופקו.

מערך הנתונים של LiDAR

השמיים מערך נתונים ומשאבים המשמשים במחברת זו מסופקים על ידי Velodyne. מערך הנתונים הזה מכיל סצנה רציפה אחת מניסוי רכב אוטונומי שנוסע על כביש מהיר בקליפורניה. הסצנה כולה מכילה 60 פריימים. תוכן הנתונים הוא כדלקמן:

• lidar_cam_calib_vlp32_06_10_2021.yaml - מידע על כיול מצלמה, מצלמה אחת בלבד
• תמונות / - צילומי מצלמה עבור כל פריים
• תנוחות/ – קובץ Pose JSON המכיל מטריצת LiDAR חיצונית עבור כל מסגרת
• תיקוני_סריקות_מקומי/ – קבצי .pcb במערכת הקואורדינטות המקומית של חיישן LiDAR

הפעל את הקוד הבא כדי להוריד את מערך הנתונים באופן מקומי ולאחר מכן העלה לדלי S3 שלך, אותו הגדרנו בסעיף האתחול:

source_bucket = 'velodyne-blog'
source_prefix = 'highway_data_07'
source_data = f's3://{source_bucket}/{source_prefix}'

!aws s3 cp $source_data ./$PREFIX --recursive
target_s3 = f's3://{BUCKET}/{PREFIX}'
!aws s3 cp ./$PREFIX $target_s3 –recursive

צור עבודת תיוג

כשלב הבא, עלינו ליצור משימת תיוג נתונים ב- SageMaker Ground Truth. אנו בוחרים את סוג המשימה כמעקב אחר אובייקטים. למידע נוסף על סוגי משימות תיוג בענן נקודות תלת מימד, עיין ב סוגי משימות ענן תלת מימדיות. כדי ליצור משימת תיוג בענן נקודות מעקב אובייקטים, עלינו להוסיף את המשאבים הבאים כקלט משימת התיוג:

• מניפסט קלט של רצף ענן נקודות – קובץ JSON המגדיר את רצף מסגרת ענן הנקודות ונתוני היתוך חיישנים הקשורים. למידע נוסף, ראה צור מניפסט קלט של ענן נקודות.
• הקלט קובץ מניפסט – קובץ הקלט עבור עבודת התיוג. כל שורה בקובץ המניפסט מכילה קישור לקובץ רצף המוגדר במניפסט הקלט של ענן הנקודות.
• קובץ תצורה של קטגוריית תווית – קובץ זה משמש לציון התוויות, קטגוריית התווית, תכונות המסגרת והוראות העבודה שלך. למידע נוסף, ראה צור קובץ תצורה של קטגוריית תיוג עם תכונות קטגוריית תווית ומסגרת.
• משאבי AWS מוגדרים מראש - כולל את הדברים הבאים:
  • טרום הערה Lambda ARN - מתייחס PreHumanTaskLambdaArn.
  • איחוד הערות ARN - AWS למבדה פונקציה המשמשת לאיחוד תוויות מעובדים שונים. מתייחס ביאור איחוד למבדה ארן.
  • כוח העבודה ARN – מגדיר באיזה סוג כוח עבודה אנו רוצים להשתמש. מתייחס צור ונהל כוח אדם לקבלת פרטים נוספים.
  • HumanTaskUiArn – מגדיר את תבנית ממשק המשתמש לביצוע עבודת התיוג. זה צריך להיות בפורמט דומה לזה arn:aws:sagemaker:<region>:123456789012:human-task-ui/PointCloudObjectTracking.

זכור את הדברים הבאים:

• לא צריך להיות ערך עבור UiTemplateS3Uri פָּרָמֶטֶר.
• LabelAttributeName חייב להסתיים ב -ref. לדוגמה, ot-labels-ref.
• מספר העובדים שצוין ב NumberOfHumanWorkersPerDataObject צריך להיות 1.
• תיוג ענן נקודות תלת-ממדי אינו תומך בלמידה פעילה, לכן אין לציין ערכים עבור פרמטרים ב- LabelingJobAlgorithmsConfig.
• עבודות תיוג של מעקב אחר אובייקטים בענן נקודות תלת-ממדיות יכולות להימשך מספר שעות. עליך לציין מגבלת זמן ארוכה יותר עבור עבודות תיוג אלה ב TaskTimeLimitInSeconds (עד 7 ימים, או 604,800 שניות).

  #object tracking as our 3D Point Cloud Task Type. 
  task_type = "3DPointCloudObjectTracking"

קובץ מניפסט קלט של ענן נקודות

הפעולות הבאות מהשלבים החשובים ביותר ליצירת קובץ מניפסט קלט רצף:

1. המר את נקודות התלת-ממד למערכת קואורדינטות עולמית.
2. צור את המטריצה ​​החיצונית של החיישן כדי לאפשר את תכונת היתוך החיישן ב- SageMaker Ground Truth.

חיישן LiDAR מותקן על רכב נע (רכב אגו), אשר לוכד את הנתונים במסגרת הייחוס שלו. כדי לבצע מעקב אחר אובייקטים, עלינו להמיר את הנתונים הללו למסגרת התייחסות גלובלית כדי לקחת בחשבון את רכב האגו הנע עצמו. זוהי מערכת הקואורדינטות העולמית.

היתוך חיישנים הוא תכונה ב- SageMaker Ground Truth המסנכרנת את מסגרת ענן הנקודות התלת-ממדית זו לצד זו עם מסגרת המצלמה. זה מספק הקשר חזותי למתייגים אנושיים ומאפשר למתייגים להתאים הערות בתמונות תלת-ממד ודו-ממדיות באופן סינכרוני. להוראות על טרנספורמציה של מטריצה, עיין ב תיוג נתונים למעקב אחר אובייקטים תלת מימדים ואיחוי חיישנים באמת SageMaker Ground Truth.

השמיים generate_transformed_pcd_from_point_cloud הפונקציה מבצעת את תרגום הקואורדינטות ולאחר מכן מייצרת את קובץ נתוני הנקודות התלת-ממדיות, שאותו SageMaker Ground Truth יכול לצרוך.

כדי לתרגם את הנתונים ממערכת קואורדינטות גלובלית מקומית/חיישנית, הכפל כל נקודה במסגרת תלת-ממדית עם המטריצה ​​החיצונית לחיישן LiDAR.

SageMaker Ground Truth מעבד את נתוני ענן הנקודות התלת-ממדיים בפורמט Compact Binary Pack (.bin) או ASCII (.txt). קבצים בפורמטים אלה צריכים להכיל מידע על המיקום (קואורדינטות x, y ו-z) של כל הנקודות המרכיבות את אותה מסגרת, ולחלופין, מידע על צבע הפיקסלים של כל נקודה עבור ענני נקודות צבעוניים (i, r, g, ב).

לקריאה נוספת על פורמטים גולמיים של נתונים תלת מימדיים מקובלים על ידי SageMaker Ground Truth, ראה פורמטי נתונים גולמיים תלת מימדיים מקובלים.

בנה את קובץ המניפסט של קלט הרצף

השלב הבא הוא בניית קובץ מניפסט קלט רצף ענן נקודות. השלבים המפורטים בסעיף זה זמינים גם במחברת.

1. כוון את נתוני הענן מה- .pcd קובץ, המטריצה ​​החיצונית LiDAR מקובץ התנוחה, ונתוני המצלמה החיצוניים, הפנימיים והעיוותים מכיול המצלמה .yaml קובץ.
2. בצע טרנספורמציה לכל מסגרת של ענן הנקודות הגולמי למסגרת הייחוס הגלובלית. צור ואחסן ASCII (.txt) עבור כל מסגרת באמזון S3.
3. חלץ את תנוחת הרכב האגו מהמטריצה ​​החיצונית של LiDAR.
4. בנה מיקום חיישן במערכת הקואורדינטות הגלובלית על ידי חילוץ תנוחת המצלמה מהמטריצה ​​החיצונית ההפוכה של המצלמה.
5. ספק פרמטרים של כיול מצלמה (כגון עיוות והטיה).
6. בנה את מערך מסגרות הנתונים. עיין במיקום קובץ ASCII, הגדר את מיקום הרכב במערכת הקואורדינטות העולמית, וכן הלאה.
7. צור את קובץ המניפסט של הרצף sequence.json.
8. צור את קובץ מניפסט הקלט שלנו. כל שורה מזהה קובץ רצף בודד שהעלינו זה עתה.

תווית את קובץ התצורה של הקטגוריה

קובץ התצורה של קטגוריית התוויות שלנו משמש לציון תוויות, או מחלקות, עבור עבודת התיוג שלנו. כאשר אנו משתמשים בסוגי משימות זיהוי אובייקטים או מעקב אחר אובייקטים; אנחנו יכולים גם לכלול תכונות תווית ב- קובץ התצורה של קטגוריית התווית. עובדים יכולים להקצות תכונה אחת או יותר שאנו מספקים להערות כדי לספק מידע נוסף על אובייקט זה. לדוגמה, ייתכן שנרצה להשתמש בתכונה occluded לגרום לעובדים לזהות כאשר חפץ חסום חלקית. הבה נסתכל על דוגמה של קובץ התצורה של קטגוריית התוויות עבור עבודת תיוג של אובייקטים או מעקב אחר אובייקטים:

label_category = {
  "categoryGlobalAttributes": [
    {
      "enum": [
        "75-100%",
        "25-75%",
        "0-25%"
      ],
      "name": "Visibility",
      "type": "string"
    }
  ],
  "documentVersion": "2020-03-01",
  "instructions": {
    "fullInstruction": "Draw a tight Cuboid. You only need to annotate those in the first frame. Please make sure the direction of the cubiod is accurately representative of the direction of the vehicle it bounds.",
    "shortInstruction": "Draw a tight Cuboid. You only need to annotate those in the first frame."
  },
  "labels": [
    {
      "categoryAttributes": [],
      "label": "Car"
    },
    {
      "categoryAttributes": [],
      "label": "Truck"
    },
    {
      "categoryAttributes": [],
      "label": "Bus"
    },
    {
      "categoryAttributes": [],
      "label": "Pedestrian"
    },
    {
      "categoryAttributes": [],
      "label": "Cyclist"
    },
    {
      "categoryAttributes": [],
      "label": "Motorcyclist"
    },
  ]
}

category_key = f'{PREFIX}/manifests_categories/label_category.json'
write_json_to_s3(label_category, BUCKET, category_key)

label_category_file = f's3://{BUCKET}/{category_key}'
print(f"label category file uri: {label_category_file}")

ציין את משאבי העבודה

כשלב הבא, אנו מציינים משאבים שונים לעבודות תיוג:

• משימה אנושית UI ARN - HumanTaskUiArn הוא משאב המגדיר את תבנית משימות העובד המשמשת לעיבוד ממשק המשתמש והכלים לעבודת התיוג. תכונה זו מוגדרת תחת UiConfig ושם המשאב מוגדר לפי אזור וסוג משימה:

  human_task_ui_arn = (
      f"arn:aws:sagemaker:{region}:123456789012:human-task-ui/{task_type[2:]}"
  )

• משאב עבודה – בדוגמה זו, אנו משתמשים במשאבי צוות פרטיים. להנחיות, עיין ב צור כוח עבודה פרטי (קונסולת אמזון קוגניטו). כשנסיים, עלינו לשים את המשאב שלנו ARN בפרמטר הבא:

  workteam_arn = f"arn:aws:sagemaker:{region}:123456789012:workteam/private-crowd/test-team"#"<REPLACE W/ YOUR Private Team ARN>"

• טרום הערת Lambda ARN ואחרי ההערה Lambda ARN - ראה את הקוד הבא:

  ac_arn_map = {
      "us-west-2": "081040173940",
      "us-east-1": "432418664414",
      "us-east-2": "266458841044",
      "eu-west-1": "568282634449",
      "ap-northeast-1": "477331159723",
  }
  
  prehuman_arn = "arn:aws:lambda:{}:{}:function:PRE-{}".format(region, ac_arn_map[region], task_type)
  acs_arn = "arn:aws:lambda:{}:{}:function:ACS-{}".format(region, ac_arn_map[region], task_type)

• HumanTaskConfig - אנו משתמשים בזה כדי לציין את צוות העבודה שלנו ולהגדיר את משימת עבודת התיוג שלנו. אל תהסס לעדכן את תיאור המשימה בקוד הבא:

  job_name = f"velodyne-blog-test-{str(time.time()).split('.')[0]}"
  
  # Task description info =================
  task_description = "Draw 3D boxes around required objects"
  task_keywords = ['lidar', 'pointcloud']
  task_title = job_name
  
  human_task_config = {
      "AnnotationConsolidationConfig": {
          "AnnotationConsolidationLambdaArn": acs_arn,
      },
      "WorkteamArn": workteam_arn,
      "PreHumanTaskLambdaArn": prehuman_arn,
      "MaxConcurrentTaskCount": 200,
      "NumberOfHumanWorkersPerDataObject": 1,  # One worker will work on each task
      "TaskAvailabilityLifetimeInSeconds": 18000, # Your workteam has 5 hours to complete all pending tasks.
      "TaskDescription": task_description,
      "TaskKeywords": task_keywords,
      "TaskTimeLimitInSeconds": 36000, # Each seq must be labeled within 1 hour.
      "TaskTitle": task_title,
      "UiConfig": {
          "HumanTaskUiArn": human_task_ui_arn,
      },
  }

צור את עבודת התיוג

לאחר מכן, אנו יוצרים את בקשת התווית, כפי שמוצג בקוד הבא:

labelAttributeName = f"{job_name}-ref" #must end with -ref

output_path = f"s3://{BUCKET}/{PREFIX}/output"

ground_truth_request = {
    "InputConfig" : {
      "DataSource": {
        "S3DataSource": {
          "ManifestS3Uri": manifest_uri,
        }
      },
      "DataAttributes": {
        "ContentClassifiers": [
          "FreeOfPersonallyIdentifiableInformation",
          "FreeOfAdultContent"
        ]
      },  
    },
    "OutputConfig" : {
      "S3OutputPath": output_path,
    },
    "HumanTaskConfig" : human_task_config,
    "LabelingJobName": job_name,
    "RoleArn": role, 
    "LabelAttributeName": labelAttributeName,
    "LabelCategoryConfigS3Uri": label_category_file,
    "Tags": [],
}

לבסוף, אנו יוצרים את עבודת התיוג:

sagemaker_client.create_labeling_job(**ground_truth_request)

השלם עבודת תיוג

כאשר עבודת התיוג שלנו מוכנה, נוכל לצרף את עצמנו לצוות העבודה הפרטי שלנו ולהתנסות בפורטל העובד. אנו אמורים לקבל אימייל עם קישור הפורטל, שם המשתמש שלנו וסיסמה זמנית. כאשר אנו נכנסים, אנו בוחרים את עבודת התיוג מהרשימה, ולאחר מכן אנו אמורים לראות את פורטל העובד כמו צילום המסך הבא. (ייתכן שיחלפו מספר דקות עד שעבודת תיוג חדשה תופיע בפורטל). ניתן למצוא מידע נוסף על איך להגדיר עובדים והוראות כאן ו כאן בהתאמה.

כשנסיים עם עבודת התיוג, נוכל לבחור חפש, ולאחר מכן הצג את נתוני הפלט במיקום הפלט S3 שציינו קודם לכן.

סיכום

בפוסט זה, הראינו כיצד אנו יכולים ליצור עבודת תיוג ענן נקודות תלת מימדית למעקב אחר אובייקטים עבור נתונים שנלכדו באמצעות חיישן LiDAR של Velodyne. עקבנו אחר ההוראות המפורטות בפוסט הזה והרצנו את הקוד שסופק כדי ליצור משימת תיוג של SageMaker Ground Truth כדי לתייג את נתוני ענן הנקודות התלת-ממדיים. מודלים של ML יכולים להשתמש בתוויות שנוצרו עם עבודה זו כדי לאמן מודלים של זיהוי אובייקטים, זיהוי אובייקטים ומעקב אחר אובייקטים הנפוצים בתרחישי רכב אוטונומי.

אם אתה מעוניין לתייג נתוני ענן נקודות תלת מימדיים שנלכדו באמצעות חיישן LiDAR של Velodyne, בצע את השלבים במאמר זה כדי לתייג את הנתונים באמצעות האמת של אמזון SageMaker.

על הכותבים

שראת נאיר מוביל את צוות Computer Vision המתמקד בבניית אלגוריתמי תפיסה עבור חלק ממוצרי התוכנה של Velodyne כמו Object Detection & Tracking, Smantic Segmentation, SLAM וכו'. 6 השנים האחרונות.

אוליבר מונסון הוא מנהל תפעול נתונים בכיר בחברת Velodyne Lidar, אחראי על צינורות הנתונים ואסטרטגיות הרכישה התומכות בפיתוח תוכנת תפיסה. לפני Velodyne, אוליבר ניהל צוותים תפעוליים שמבצעים מיפוי HD, יישומים גיאו-מרחביים וארכיאולוגיים.

ג'ון קואה הוא מנהל הנדסת תוכנה בחברת Velodyne, מפקח על צוותי אינטגרציה ורבוטיקה, Vella Go וייצור תוכנה. לפני שהצטרף ל- Velodyne, ג'ון הקדיש למעלה מעשור בבניית פלטפורמות חיישנים מולטי-מודאליות עבור מגוון רחב של יישומי לוקליזציה ומיפוי תלת-ממדיים ביישומים מסחריים וממשלתיים. פלטפורמות אלו כללו מגוון רחב של חיישנים כולל אור נראה, מצלמות תרמיות והיפר-ספקטרליות, לידר, GPS, IMU, ואפילו ספקטרומטרים ומצלמים של קרני גמא.

סאלי פרייקמן, מנהל שיווק ראשי ב- Velodyne, מפקח על הפיתוח האסטרטגי והביצוע של תוכניות שיווק ותקשורת גלובליות המקדמות את החזון והיעדים החדשניים של החברה. תפקידה הרב-גוני כולל קשת רחבה של אחריות, לרבות קידום המותג Velodyne, פיתוח מנהיגות מחשבתית ויצירת לידים חזקים במכירות המונעים על ידי שיווק דיגיטלי מרתק ביותר. בעבר עבדה סאלי בחינוך ציבורי ובעבודה סוציאלית.

ניטין וואך הוא מנהל פיתוח עסקי האב עבור אמזון AI. הוא אוהב את ההזדמנות לעזור ללקוחות להבין את למידת מכונה ואת הכוח של Augmented AI בענן AWS. בזמנו הפנוי, הוא אוהב לבלות עם המשפחה בפעילויות בחוץ.

ג'יימס וו הוא ארכיטקט פתרונות מומחה בינה מלאכותית/ML בכיר ב-AWS. עוזר ללקוחות לתכנן ולבנות פתרונות AI/ML. עבודתו של ג'יימס מכסה מגוון רחב של מקרי שימוש ב-ML, עם עניין עיקרי בראייה ממוחשבת, למידה עמוקה והרחבת ML ברחבי הארגון. לפני שהצטרף ל-AWS, ג'יימס היה אדריכל, מפתח ומוביל טכנולוגיה במשך למעלה מ-10 שנים, כולל 6 שנים בהנדסה ו-4 שנים בתעשיות שיווק ופרסום.

פארוק סאביר הוא ארכיטקט פתרונות בכיר בבינה מלאכותית ולמידת מכונה ב-AWS. הוא בעל תואר דוקטור ותואר שני בהנדסת חשמל מאוניברסיטת טקסס באוסטין ותואר שני במדעי המחשב מהמכון הטכנולוגי של ג'ורג'יה. יש לו למעלה מ-15 שנות ניסיון בעבודה וגם אוהב ללמד ולהדריך סטודנטים. ב-AWS הוא עוזר ללקוחות לגבש ולפתור את הבעיות העסקיות שלהם במדעי הנתונים, למידת מכונה, ראייה ממוחשבת, בינה מלאכותית, אופטימיזציה מספרית ותחומים קשורים. ממוקם בדאלאס, טקסס, הוא ומשפחתו אוהבים לטייל ולעשות נסיעות ארוכות.