Ein entscheidender Fortschritt für das Computer-Vision-Training
Die Computer-Vision-Lösungen von Unity helfen Ihnen, die Hürden der Generierung realer Daten zu überwinden, weil sie gekennzeichnete synthetische Daten in großem Umfang erzeugen. Diese Daten können zum Trainieren von Computer-Vision-Modellen für die Objekterkennung sowie Bildsegmentierung und -klassifizierung in den Bereichen Einzelhandel, Fertigung, Sicherheit, Landwirtschaft und Gesundheitswesen verwendet werden.
Anwendungsfälle
Einzelhandel
Grab & Go: Artikel in Wagen oder Regal erkennen
Inventur: Regalinhalte überprüfen und Sicherheit gewährleisten
Visuelle Suche: Bilderkennung über Smart-Kamera bereitstellen
Bedrohungen aufspüren: Abnormale Aktivitäten im Geschäft erkennen
Sicherheit
Menschengruppen analysieren: Bewegung von Menschengruppen und Änderungen im Muster verfolgen
Gefahrenüberwachung: Eindringlinge oder Bedrohungen der öffentlichen Sicherheit erkennen
Fertigung
Inventarverwaltung: Lagerbestände überwachen
Defektreduzierung: Anomalien erkennen und Warnungen senden
Sortieren: Kategorisierungsprobleme am Fließband reduzieren
Landwirtschaft
Pflanzengesundheit erkennen: Erntezeitpunkt bestimmen und Ertrag analysieren
Viehbestand verwalten: Viehbestand zählen, erkennen und überwachen
Forstwirtschaft: Baumgesundheit und Brandgefahren überwachen
Wesentliche Vorteile
- Automatisch etikettiert: Keine Kommentierung durch Menschen erforderlich
- Privat: Entspricht den Datenschutzgesetzen
- Sicher: Grenzfälle nachstellen
- Iterativ: Variationen in Datensätzen mit einfachen Codeänderungen erzeugen
- Variabel und skalierbar: Trainingsdaten erzeugen, die die Komplexität der realen Welt abbilden
- Preiswert und zugänglich: Kleine ML-Teams können riesige Datensätze innerhalb des Budgets generieren
Objektmodell-Trainingspipeline mit synthetischen Daten
Es gibt drei verschiedene Stufen in der Trainings-Pipeline für synthetische Daten:
- Inhaltserstellung
- Erzeugung und Analyse synthetischer Daten
- Modelltraining
Inhaltserstellung
Es gibt verschiedene Möglichkeiten, Inhalte zu erstellen. Sie können das Angebot im Asset Store prüfen, Ihre Assets in Unity einscannen oder sich an unser Team wenden, das Sie bei der Erstellung von Assets in Unity unterstützt.
Synthetische Daten erzeugen
Unity bietet Tools zur Erzeugung synthetischer Datensätze für die Verwendung in wahrnehmungsbasierten Computer-Vision-Aufgaben wie Objekterkennung, semantische Segmentierung und mehr. Sie benötigen keine vorherige Erfahrung mit Unity oder C#, um loszulegen.
Modelltraining
Sie können entweder Ihre bestehende ML-Pipeline verwenden oder die von uns vorgeschlagene Lösung, Google AI Platform, implementieren.
Blogs und Videos
Finden Sie Walter mit synthetischen Daten?
Lesen Sie, wie das Perception-Paket von Unity eingesetzt wurde, um Wimmelbilder à la „Wo ist Walter“ für das Training eines neuronalen Netzes zu erstellen, das dann mit der fastai-Bibliothek trainiert wurde.
Synthetische Bilder für Deep Learning erstellen
In diesem Tutorial erfahren Sie, wie Sie Unity und das Unity Perception-Paket einrichten, um synthetische Bilder zu erstellen, mit denen neuronale Netze in den Bereichen Deep Learning, KI und Computer Vision trainiert werden.
Zahllose Verwendungsmöglichkeiten für synthetische Daten
Lesen Sie, wie synthetische Daten viele Unternehmen dabei unterstützen, gekennzeichnete Daten für das Training von Modellen für maschinelles Lernen zu erwerben, und entdecken Sie die Bandbreite der möglichen Anwendungsfälle.
Synthetische Daten in großem Umfang generieren und analysieren
Erfahren Sie anhand eines anschaulichen Beispiels zur Objekterkennung, wie Sie mit den Tools von Unity synthetische Datensätze generieren und analysieren können.
Objekterkennungsmodell mit synthetischen Daten trainieren
Erfahren Sie, wie Sie einen riesigen synthetischen Datensatz erzeugen können, um Ihre Modelle für maschinelles Lernen zu trainieren.
Synthetisch gestützte Entwicklung von Computer-Vision-Algorithmen
Sehen Sie, wie Standard Cognition Unity eingesetzt hat, um die finanziellen Kosten und die Entwicklungszeit für Algorithmen zur Datenerfassung und Etikettierung in ihrem digitalen Kassensystem zu reduzieren.