合成數據 – NVIDIA 技術博客

利用 OpenUSD 和綜合數據開發智慧城市交通管理系統

Tue, 01 Aug 2023 02:50:01 +0000

智能城市代表了城市生活的未來。然而，它們可能會給城市規劃者帶來各種挑戰，尤其是在交通領域。為了取得成功，城市的各個方面——從環境和基礎設施到商業和教育——必須在功能上進行整合。這可能很困難，因為單獨管理交通流量是一個復雜的問題，充滿了擁堵、事故應急響應和排放等挑戰。為了應對這些挑戰，開發人員正在開發具有現場可編程性和靈活性的人工智能軟件。這些軟件定義的物聯網解決方案可以應用于實時環境，如交通管理，車牌識別，智能停車和事故檢測等。盡管如此，建立有效的人工智能模型說起來容易做起來難。遺漏值、重復示例、錯誤標簽和錯誤特征值是訓練數據的常見問題，這些問題可能導致模型不準確。在自動駕駛汽車的情況下，不準確的結果可能是危險的，也可能導致交通系統效率低下或城市規劃不佳。端到端人工智能工程公司 SmartCow，作為 NVIDIA Metropolis 的合作伙伴，

Source

]]>

利用 OpenUSD 和合成數據開發托盤檢測模

Tue, 18 Jul 2023 05:41:51 +0000

想象一下，你是一名機器人或機器學習（ ML ）工程師，負責開發一個檢測托盤的模型，以便叉車能夠操縱托盤。‌您熟悉傳統的深度學習管道，策劃了手動注釋的數據集，并培訓了成功的模型。你已經為下一個挑戰做好了準備，它以密集堆放的托盤的形式出現。你可能會想，我應該從哪里開始？‌ 2D 邊界框檢測或實例分割對此任務最有用嗎？‌我應該進行三維邊界框檢測嗎？如果是，我將如何對其進行注釋？‌最好使用單眼相機、立體相機或激光雷達進行檢測嗎？‌考慮到自然倉庫場景中出現的托盤數量之多，手動注釋并非易事。如果我弄錯了，代價可能會很高。這就是我在面對類似情況時所想的。幸運的是，我有一個簡單的方法來開始相對較低的承諾：合成數據。合成數據生成（SDG）是一種使用渲染圖像而不是真實世界圖像來訓練神經網絡的技術。使用合成渲染數據的優勢在于，您可以隱式地獲取場景中對象的完整形狀和位置，

Source

]]>

利用合成數據聚焦遠場物體，實現基于攝像頭的 AV 感知

Thu, 18 May 2023 06:20:57 +0000

檢測遠場物體，如 100 米以外的車輛，是自動駕駛系統在高速公路上安全操作的基礎在這樣的高速環境中，每一秒都很重要。因此，如果在以 70 英里/小時的速度行駛時，自動駕駛汽車（ AV ）的感知范圍可以從 100 米增加到 200 米，那么車輛有更多的時間做出反應。然而，對于通常部署在量產乘用車中的基于攝像頭的感知系統來說，擴展這一范圍尤其具有挑戰性。訓練用于遠場物體檢測的相機感知系統需要收集大量的相機數據以及地面實況（ GT ）標簽，例如 3D 邊界框和距離。對于超過 200 米的物體來說，提取這些 GT 數據變得更加困難。物體離得越遠，在圖像中就越小，最終只有幾個像素寬。通常，像激光雷達這樣的傳感器與聚合和自動標記技術一起使用來提取 3D 和距離信息，但這些數據在激光雷達的工作范圍之外變得稀疏和嘈雜。

Source

]]>

Exelon 使用網格基礎設施的合成數據生成來自動化無人機檢查

Mon, 01 May 2023 02:19:22 +0000

大多數無人機檢查仍然需要人工手動檢查視頻中的缺陷。如果沒有針對每一個可能的缺陷的大量標記數據庫，訓練計算機視覺模型來自動化檢查是很困難的。在最近的一個NVIDIA GTC會議，我們分享了 Exelon 如何在 NVIDIA Omniverse 中使用合成數據生成來自動創建數千個各種網格資產缺陷的標記、照片真實感示例。這篇文章強調了如何使用合成圖像來訓練實時無人機檢查的檢查模型，從而實現更好的網格維護，提高可靠性和彈性。 Exelon 是美國最大的受監管電力公司，為伊利諾伊州、馬里蘭州、賓夕法尼亞州、特拉華州、新澤西州和華盛頓特區的 1000 多萬客戶提供服務。在其下方清理路徑該能源供應商計劃到 2030 年減排 50% ，到 2050 年實現凈零排放。我們確定了多種好處，包括減少工作人員的現場危險，減少審查圖像的體力勞動，以及加快從圖像捕獲到缺陷解決的時間線，

Source

]]>

如何使用 NVIDIA Omniverse Replicator 使用合成數據訓練缺陷檢測模型

Mon, 17 Apr 2023 03:30:08 +0000

根據美國質量協會（ ASQ ）的說法，缺陷會讓制造商付出幾乎占總銷售收入近20%的代價。我們每天互動的產品，如手機、汽車、電視和電腦，需要精確制造，以便在不同的條件和場景下提供價值。基于人工智能的計算機視覺應用程序正在幫助發現制造過程中的缺陷，比傳統方法更快、更有效，使公司能夠提高產量，交付質量一致的產品，并減少誤報。事實上，根據一項研究，如今 64% 的制造商已經部署了人工智能來幫助日常活動， Google Cloud生產報告指出39% 的制造商使用人工智能進行質量檢查. 為這些視覺應用提供動力的人工智能模型必須經過訓練和調整，以預測許多用例中的特定缺陷，例如：訓練感知人工智能模型需要收集特定缺陷的圖像，這在生產環境中既困難又昂貴 NVIDIA Omniverse Replicator可以通過生成合成數據以引導人工智能模型訓練過程。

Source

]]>