Автономный транспорт
Строим точные полигоны для автомобилей, пешеходов и дорожной инфраструктуры, когда рамки захватывают слишком много фона.
Заполните форму и мы свяжемся с вами в ближайшее время
Computer Vision / Polygon Annotation
Полигональная разметка для точного обучения моделей компьютерного зрения
Ручная разметка объектов полигонами на изображениях и видео: транспорт, люди, крыши, бассейны, детали, товары и другие классы, где важна форма объекта.
Где используют полигональную разметку
Мы превращаем неразмеченные изображения в датасеты с понятными классами объектов и качественными полигонами вместо грубых рамок.
Робототехника
Размечаем детали, манипуляторы и оснастку полигонами на снимках с производственных камер, чтобы модель не училась на лишнем фоне.
Дроны
Для аэрофото строим полигоны крыш, бассейнов, автомобилей и других объектов, где точная площадь важнее прямоугольной рамки.
Как выглядит задача полигональной разметки
Отправьте изображение и инструкцию через API. На выходе вы получаете координаты вершин объекта, проверенные человеком и пригодные для обучения модели.
"Постройте полигон для каждого объекта: крышу, бассейн и автомобиль."
client.createAnnotationTask({
callback_url: "https://example.com/callback",
instruction: "Постройте полигон для каждого объекта: крышу, бассейн и автомобиль.",
attachment: "aerial-polygon-scene.jpg",
objects_to_annotate: ["roof", "pool", "vehicle"],
annotation_type: "polygon",
with_labels: true,
min_vertices: 4
});
Quality Assurance
Полигоны, которые можно отдавать в обучение
В полигональной разметке качество решают не только классы, но и геометрия полигона: где заканчивается объект, сколько вершин нужно поставить, как обходить перекрытия, тени и частично видимые края.
Единая инструкция
Фиксируем классы, правила обводки, плотность вершин и спорные случаи до запуска основной партии.
Проверка человеком
Проверяем полигоны человеком, чтобы разметка повторяла объект, а не захватывала тень, дорожку, фон или соседние предметы.
Масштабирование
Поддерживаем пилоты и большие объемы: от первых сотен полигонов до регулярной разметки новых партий изображений и видео.
FAQ
Частые вопросы о полигональной разметке
Коротко о формате, данных, контроле качества и выдаче разметки для обучения моделей компьютерного зрения.
Что такое полигональная разметка и зачем она нужна?
Полигональная разметка — это ручное выделение объекта набором точек на изображении или кадре видео. Такой формат используют, когда модели важно видеть форму объекта точнее, чем прямоугольная рамка: границы транспорта, людей, крыш, бассейнов, деталей, товаров и других классов.
Когда выбирать полигоны вместо Bounding Box?
Полигоны лучше подходят, если объект имеет сложную форму, занимает небольшую часть прямоугольной рамки или находится рядом с фоном, который нельзя включать в обучающий пример. Если задаче достаточно найти объект целиком, часто хватит Bounding Box; если важны границы и площадь объекта, лучше выбрать полигональную разметку.
Чем полигоны отличаются от семантической сегментации?
Полигональная разметка описывает конкретный объект набором вершин. Семантическая сегментация обычно классифицирует пиксели по классам на всей сцене. Полигоны удобны, когда нужны точные границы отдельных объектов без полной попиксельной маски каждого участка изображения.
Какие объекты можно размечать полигонами?
Полигонами можно размечать транспорт, пешеходов, элементы дорожной инфраструктуры, крыши, бассейны, земельные участки, детали на конвейере, коробки, производственную оснастку, товары и другие визуально различимые объекты. До запуска мы фиксируем список классов, правила обводки и требования к частично видимым объектам.
Можно ли использовать полигональную разметку для видео?
Да. Мы можем размечать полигонами отдельные кадры или видеопоследовательности. Для видео отдельно согласовываются частота кадров, правила интерполяции, требования к постоянству классов и необходимость трекинговых идентификаторов между кадрами.
Как вы контролируете качество полигонов?
Перед основной партией мы описываем, где проходит граница объекта, сколько деталей нужно сохранять, как размечать тени, перекрытия и размытые края. Затем примеры проходят проверку человеком, выборочный контроль и корректировку инструкции, если на реальных данных появляются спорные случаи.
Какие данные нужны для оценки проекта?
Для оценки полезны примеры изображений или видео, список классов, примерный объем датасета, требуемый формат выдачи, ожидаемый уровень детализации полигона и описание сложных случаев: перекрытия, мелкие объекты, тени, плохое освещение, нестандартные ракурсы или редкие классы.
В каких форматах можно получить разметку?
Разметку можно подготовить в популярных форматах для компьютерного зрения, включая COCO segmentation, YOLO segmentation, CVAT, LabelMe, JSON или формат вашей внутренней ML-платформы. Формат экспорта лучше согласовать до старта, чтобы сразу проверять данные в вашем пайплайне обучения.
Сколько времени занимает запуск разметки?
Срок зависит от объема данных, числа классов, качества исходных изображений и требований к детализации полигонов. Обычно сначала запускается короткий пилот на небольшой выборке: он помогает уточнить инструкцию, проверить качество полигонов и точнее оценить скорость основной партии.
Нужно разметить объекты точными полигонами?
Опишите классы, объем и формат данных. Мы поможем оценить задачу и подготовить понятный пайплайн разметки.