Автономный транспорт
Сегментируем дорогу, разметку, тротуары, транспорт и растительность на кадрах и BEV-проекциях, чтобы perception-модель читала проезжую часть попиксельно.
Заполните форму и мы свяжемся с вами в ближайшее время
Computer Vision / Semantic Segmentation
Семантическая сегментация изображений для обучения моделей компьютерного зрения
Размечаем каждый пиксель изображения по классам: дорога, разметка, транспорт, тротуар, растительность, здания, вода и другие объекты. Плотные маски для perception-моделей, аэросъёмки и производственных сцен.
Где применяют семантическую сегментацию
Этот формат нужен там, где модели важно понимать сцену целиком и попиксельно: проезжая часть и обочина, крыши и растительность на аэрофото, рабочая зона и оснастка на производстве.
Дроны / аэросъёмка
Размечаем крыши, дороги, растительность, газоны и воду на аэрофото — для картографирования, мониторинга территорий и оценки площади.
Робототехника
Сегментируем пол, конвейер, манипулятор, детали и рабочие зоны на снимках с производственных камер, чтобы робот отличал объекты от фона.
Как выглядит задача семантической сегментации
Отправьте изображение и инструкцию через API. На выходе вы получаете маску классов для каждого пикселя, проверенную человеком и готовую для обучения модели.
"Разметьте каждый пиксель кадра по классам: дорога, разметка, переход, транспорт, тротуар и растительность."
client.createSegmentationTask({
callback_url: "https://example.com/callback",
instruction:
"Сегментируйте сцену по классам.",
attachment: "bev-intersection.jpg",
classes_to_annotate: [
"road",
"lane",
"crosswalk",
"vehicle",
"sidewalk",
"vegetation"
],
with_masks: true
});
Quality Assurance
Маски, совпадающие с границами объектов
В семантической сегментации качество решают границы между классами: где заканчивается дорога и начинается тротуар, как вести край при тени, перекрытии, отражении или размытом ракурсе.
Единая инструкция
Фиксируем список классов, приоритеты, правила границ, обработку теней, перекрытий и частично видимых участков.
Проверка человеком
Сверяем маски с реальными границами объектов и оцениваем совпадение по метрикам (IoU), чтобы модель не училась на смещённых краях.
Экспорт под пайплайн
Готовим индексированные PNG-маски, цветовые карты классов или COCO-совместимый формат под вашу ML-платформу.
FAQ
Частые вопросы о семантической сегментации
Коротко о формате, отличиях от других видов разметки, данных, контроле качества и выдаче масок для обучения моделей компьютерного зрения.
Что такое семантическая сегментация?
Это разметка, при которой каждому пикселю изображения присваивается класс: дорога, разметка, транспорт, тротуар, растительность, здание, небо, человек и так далее. В отличие от рамки или полигона, размечается вся площадь сцены, а не отдельный объект.
Чем семантическая сегментация отличается от полигонов и Bounding Box?
Bounding Box даёт грубую прямоугольную рамку, полигон обводит контур одного объекта, а семантическая сегментация присваивает класс каждому пикселю всей сцены, включая фон — дорогу, небо, растительность. Это самый плотный формат разметки.
Чем семантическая сегментация отличается от инстанс- и паноптической?
Семантическая сегментация отвечает на вопрос «какой это класс» для каждого пикселя, но не разделяет отдельные экземпляры одного класса. Если нужно различать объекты по отдельности, мы делаем instance- или panoptic-сегментацию.
Какие классы можно размечать?
Чаще всего это дорога, разметка, пешеходный переход, тротуар, транспорт, люди, здания и крыши, растительность, небо и вода. Помимо стандартных классов размечаем любые ваши кастомные классы под конкретную задачу.
Какие данные нужны для оценки проекта?
Для оценки нужны примеры изображений или видео, список классов и их приоритеты, правила для границ между классами, теней и перекрытий, примерный объём и требуемый формат экспорта масок.
Как вы контролируете качество масок?
До запуска фиксируем правила границ между классами, обработку теней, перекрытий и размытых краёв. Затем маски проходят проверку человеком и выборочный контроль с оценкой по метрикам, таким как IoU, чтобы границы совпадали с реальными объектами.
В каких форматах можно получить разметку?
Маски можно отдать индексированными PNG, цветовыми картами классов, COCO-подобными структурами с полигонами или в формате вашей внутренней ML-платформы. Формат лучше согласовать до старта, чтобы сразу проверять данные в вашем пайплайне обучения.
Сколько времени занимает запуск разметки?
Срок зависит от числа классов, плотности сцены, сложности границ и качества исходных изображений. Обычно сначала запускается короткий пилот: он помогает уточнить инструкцию, проверить точность масок и оценить скорость основной партии.
Нужно сегментировать изображения по классам?
Опишите классы, объём и формат данных. Мы поможем оценить задачу, подготовить инструкцию и собрать маски в нужном формате.