Kostenlose Tools und Inhalte für das Generieren von synthetische Daten
Sehen Sie sich unsere neuen, als Open-Source und akademische Version veröffentlichten Tools, Datensätze und Datengeneratoren für die Erstellung von synthetischen Daten für das Training Ihrer Computer Vision-Modelle an.
Unity Perception 1.0
Das Perception-Paket bietet ein Toolkit zum Generieren umfangreicher Datensätze für das Training und die Validierung von Computer Vision. Unity Perception 1.0 ist eine neue, vollständigere Version, die neue Labels, Randomizer, Samples und Rendering-Funktionen enthält.
Datenanalyse und -visualisierung in Python
PySOLO Tools ist ein neues Open-Source-Paket für Python, das Hilfsprogramme zur Verfügung stellt, um Daten im neuen SOLO-Format zu analysieren und zu visualisieren.
Synthetische Häuser
Unity SynthHomes, ein Datensatz mit 100.000 Bildern von synthetischen Hausinnenbereichen und eine assoziierte Datensatzgenerator-Binärdatei, ist jetzt als Open-Source-Version erhältlich.
Synthetische Menschen
Unity Synthetic Humans ist ein 3D-Personengenerator, der von Grund auf für menschenorientierte Computer Vision entwickelt wurde und jetzt ausschließlich für akademische Zwecke verfügbar ist.
„Überall dort, wo Daten für das maschinelle Lernen benötigt werden, spielen synthetische Daten eine Rolle. Die Erstellung synthetischer Datensätze in einer virtuellen Welt bedeutet, dass man sehr schnell Millionen von Bildern erstellen kann, verglichen mit dem Aufnehmen von Bildern vor Ort.”
„Bei Ouva nutzte unsere Patientenüberwachungsplattform Unity Computer Vision zur Generierung synthetischer Daten und reduzierte unsere monatelangen Live-Datenerfassungszyklen auf eine Woche, während unser Datensatz um das 10-fache wuchs und die Modellgenauigkeit um 5 bis 10 % verbessert wurde.”
Fallstudien
Ouva
Die Plattform für simulierte Gesundheitsdaten von Ouva nutzt die Leistungsfähigkeit synthetischer Daten, um die Modellleistung um mehr als 10 % zu verbessern, die Kosten für die Kennzeichnung um bis zu 40.000 US-Dollar zu senken, ausgewogene Datensätze innerhalb von Stunden statt Wochen zu erstellen und die Iterationszyklen von Wochen auf Tage zu reduzieren.
Boeing
In diesem Interview erfahren Sie, wie Boeing mit Unity zusammengearbeitet hat, um über 100.000 synthetische Bilder zu generieren und so die Machine-Learning-Algorithmen seiner Augmented Reality (AR)-gestützten Flugzeuginspektionsanwendung besser zu trainieren.
Passio
Erfahren Sie, wie Passio die synthetischen Daten von Unity mit realen Daten kombiniert, um seine Datensätze zu erweitern und das KI-Training für KI- und Augmented Reality (AR)-Anwendungen zu beschleunigen.
Neural Pocket
Erfahren Sie, wie das KI-Startup Neural Pocket mit Unity Computer Vision in erheblichem Maße die Kosten für die Entwicklung von Bildverarbeitungsmodellen und die Zeit bis zur Bereitstellung (von 24 Wochen auf 1 Woche) reduzieren konnte.
Ressourcen
Entdecken Sie weitere Computer Vision-Ressourcen, darunter Webinare, Berichte und kostenlose Datensätze.
Datengesteuerte KI-Entwicklung freischalten
Erfahren Sie mehr über Unity Computer Vision, wie Sie unsere Beispieldatensätze erkunden und Ihre eigenen Beispieldatensätze mit unseren vorgefertigten Umgebungen erstellen können.
Intelligente Lösungen für Zuhause
Erfahren Sie, wie mit unseren Tools und Dienstleistungen die leistungsfähigere Bildverarbeitungsanwendungen für Zuhause entwickelt und gleichzeitig Hindernisse und Herausforderungen aus dem Weg geräumt werden.
Erste Schritte mit 3D-Inhalten für synthetische Daten
Synthetische Daten werden durch die Bibliothek aus 3D-Assets unterstützt. Erfahren Sie mehr zu Quellen und Techniken für 3D-Inhalte in gängigen Computer-Vision-Anwendungen.
Die Fabrik der Zukunft
Laden Sie unseren Bericht herunter, um mehr über die entscheidende Rolle von Computer Vision, Robotersimulation und Echtzeit-3D-Technologie für die Zukunft der Fertigung zu erfahren.
Erklärte Präsentation über KI und maschinelles Lernen
Informieren Sie sich über die wichtigsten Begriffe aus den Bereichen maschinelles Lernen, Computer Vision, synthetische Daten und mehr.
Robotern mit Unity das Sehen beibringen
Verleihen Sie Ihren Robotern die Fähigkeit, ein Objekt präzise zu erfassen, ohne explizit dessen örtliche Position zu kennen. Sehen Sie sich an, wie synthetische Daten erfasst und Deep-Learning-Modelle trainiert werden können, um die Position eines bestimmten Objekts vorherzusagen.
Objekterkennungsmodell mit synthetischen Daten trainieren
Erfahren Sie, wie Sie einen riesigen synthetischen Datensatz erzeugen können, um Ihre Modelle für maschinelles Lernen zu trainieren.
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.
Zahllose Verwendungsmöglichkeiten für synthetische Daten
Viele Unternehmen nutzen synthetische Daten dazu, an gelabelte Daten zum Trainieren von Modellen für maschinelles Lernen zu kommen. Entdecken Sie die Bandbreite der möglichen Anwendungsbereiche.
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.
Synthetisch gestützte Entwicklung von Computer Vision-Algorithmen
Entdecken Sie, wie Standard Cognition mithilfe von Unity finanzielle Kosten und die Entwicklungszeit für Algorithmen zum Erfassen und Labeln von Daten im digitalen Kassensystem reduziert hat.
FAQ
Lesen Sie unsere Dokumente, um zu erfahren, wie mit synthetischen und realen Daten trainierte Modelle Modelle ausstechen, die nur mit realen Daten trainiert wurden:
Unsere Kunden verwenden Unity, um synthetische Daten für verschiedenste Anwendungen im Bereich Computer Vision zu generieren, darunter Personenidentifizierung, Objekterkennung, Erkennung von Fertigungsfehlern, Unterhaltungselektronik für den Privatbereich usw.
Synthetische Trainingsdaten können unter folgenden Umständen verwendet werden:
- Wenn nur ein kleiner Beispieldatensatz an realen Daten vorliegt. In einem solchen Fall können Sie die realen Daten durch eine große Menge an synthetischen, mithilfe von Unity Computer Vision generierten Daten ergänzen und die Modellleistung steigern.
- Wenn für das Projekt keine richtigen realen Daten erfasst werden können. In einem solchen Fall können Sie mit Unity Computer Vision hochwertige, gelabelte, synthetische Bilder erzeugen und Ihre Modelle mit rein synthetischen Daten booten.