PRODUKTE

Unity Computer Vision

Erstellen Sie schneller genaue, produktionsreife Computer-Vision-Modelle.

Jack Hsu, Senior Manager, Boeing Vancouver

„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.”

Jack Hsu, Senior Manager, Boeing Vancouver
Dogan Demir, CEO, Ouva

„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.”

Dogan Demir, CEO, Ouva

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.

Vorteile von synthetischen Trainingsdaten

Bereits gelabelt

Synthetische Bilder sind bereits gelabelt und annotiert. Dadurch wird menschlichen Fehlern kaum Spielraum gelassen.

Geringeres Risiko

Für maschinell erzeugte synthetische Bilder gelten die Beschränkungen der realen Datenerfassung nicht.

Uneingeschränkte Datenvielfalt

Mit generierten Trainingsdaten können Extremszenarien, Was-wäre-wenn-Situationen, Veränderungen der Umgebung und vieles mehr erfasst werden.

Kosteneinsparungen von bis zu 80 %

Erstellung riesiger Datensätze, ohne das Budget zu sprengen – zu einem Bruchteil der Kosten einer realen Datenerfassung.

Bis zu 30 Mal schnellere Modellentwicklung

Kürzere Trainingsiterationszyklen und schnellerer Einsatz von Computer Vision-Modellen.

Bis zu 30 % präzisere Erkennung

Durch das Trainieren mit rein synthetischen Bildern oder das Augmentieren kleiner Stichproben realer Bilder wird die Leistung des Modells erheblich verbessert.

Individuell anpassbare Annotationen

Individuelles Anpassen der Labelmethode an die Anwendungsanforderungen – von einfachen Bounding Boxes bis hin zu komplexen semantischen Annotationen, die durch manuelles Labeln nicht möglich wären.

Randomisierbare Parameter

Variation der verschiedenen Szenenaspekte wie Beleuchtung, Hintergrundobjekte, Kameraspezifikationen oder Okklusionen zum Erstellen eines soliden Trainingsdatensatzes, der auch unter realen Bedingungen einsatzfähig ist.

Beschleunigen Sie das Computer Vision-Training

Überwinden Sie Datenprobleme beim Training von Computer-Vision-Modellen, indem Sie vorab gelabelte, vielfältige Trainingsdaten nach Bedarf generieren.

FAQ

Synthetische Daten sehen nicht wie reale Daten aus. Funktioniert das wirklich?

Lesen Sie unsere Dokumente, um zu erfahren, wie mit synthetischen und realen Daten trainierte Modelle Modelle ausstechen, die nur mit realen Daten trainiert wurden:

Welche Arten von Computer-Vision-Anwendungen können mit synthetischen Daten trainiert werden?

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.

Wozu kann ich synthetische Trainingsdaten einsetzen?

Synthetische Trainingsdaten können unter folgenden Umständen verwendet werden:  

  1. 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.  
  2. 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.

Wir verwenden Cookies, damit wir Ihnen die beste Erfahrung auf unserer Website bieten können. In unseren Cookie-Richtlinien erhalten Sie weitere Informationen.

Verstanden