ML-Modelle mit realitätsnahen, synthetischen Daten entwickeln

Synthetic Datasets ermöglichen es Nutzern, die Robustheit ihrer Machine-Learning-Modelle (ML-Modelle) mit Kamera-, Lidar-, Radar- und anderen synthetischen Sensordaten zu verbessern, die in realitätsnahen 3D-Welten generiert wurden. Nutzer können Millionen von gelabelten Datensätzen mit verschiedenen Akteuren, Verhaltensweisen und Umgebungsbedingungen erzeugen.

Wichtige Merkmale

Bibliothek validierter Sensormodelle, die auf Ihre Sensorhardware abgestimmt sind; Unterstützung für Kamera, Lidar, Radar und sonstige Sensortypen
Fehlerfreie, programmatisch generierte Ground-Truth-Labels; flexibles Labelformat für die Integration in Ihre bestehende Pipeline
Assets und prozedural generierte 3D-Welten mit Unterstützung für Domänen-Randomisierung oder die Anpassung an Ihre Systemumgebung
High-level Beschreibungssprache zur Definition von Datensätzen; grafische Oberfläche zur einfachen Definition der benötigten Daten
Tools für die Datensatzverwaltung zum Anzeigen von Statistiken, Filtern, und zum Exportieren Ihrer Daten
Cloud-basierte Infrastruktur für schnelle Datensatzerstellung, dynamische Skalierbarkeit und einfache Zusammenarbeit

Beschleunigen Sie Ihren ML-Entwicklungskreislauf

Integrieren Sie Modellergebnisse und generieren Sie automatisch Daten um Fehler zu beheben. Beheben Sie Datenmangel, Klassenungleichgewichtung und andere Datenverzerrungen schnell mit skalierbarer synthetischer Datengenerierung.

​​Synthetische Kameradaten mit Ray-Tracing-Reflexionen und schwierigen Außen-Lichtverhältnissen
Generierung von Daten über den Automobilbereich hinaus; Unterstützung für Lagerhäuser, Farmen und mehr

Trainieren Sie mit komplexen Labels

Generieren und trainieren Sie mit komplexen Labels wie semantischer Segmentierung, Tiefe und optischem Fluss, deren Generierung für reale Daten zu teuer oder nicht möglich ist.

Semantische Segmentierung pro Pixel
Pro-Pixel-Tiefe
Optischer Fluss pro Pixel

Erweitern Sie Ihre Systemfähigkeiten

Nutzen Sie synthetische Daten für Transfer-Learning-Ansätze, um zu neuen Regionen, Klassen oder Sensormodellen zu expandieren. Nutzen Sie regionsspezifische Assets wie Verkehrsschilder, um Ihr System sicher zu erweitern, ohne auf reale Daten angewiesen zu sein.

Verwenden Sie synthetische Daten zur Erstellung von Labels

Verbessern Sie die Effizienz und Genauigkeit des manuellen Datenlabelings, indem Sie automatisierte Labeler mit synthetischen Daten trainieren. Nutzen Sie gelabelte synthetische Daten, um teilüberwachtes Lernen mit realen Daten zu starten.

Programmatisch generierte 2D bounding boxes (gelb), 3D bounding Volumen (lila) und Fahrbahnmarkierungen (grün)

Steigern Sie die Effizienz Ihres ML-Teams

Die Cloud-basierten Tools von Applied helfen Nutzern dabei Daten einfach zu definieren, zu generieren und zu verwalten.

Generierung von Datensätzen aus einer high-level Sprache, aus Fahrdaten oder aus Szenarien

Skalieren Sie Ihr ML-Training und verkürzen Sie die Markteinführungszeit

Ergänzung realer Daten

Verwenden Sie synthetische Daten als Ergänzung, wenn reale Daten spärlich vorhanden oder schwer zu erheben sind

Reduzierte Labelingkosten

Nutzen Sie große, vielfältige synthetische Datensätze, um Zeit und Aufwand für manuelles Labeln realer Daten zu sparen

Beschleunigte Datenerfassung

Verkürzen Sie die Markteinführungszeit mit synthetischen Daten, die im Vergleich zur realen Datenerfassung innerhalb von Tagen statt Monaten generiert werden können