Команда студентов-разработчиков из ЮУрГУ под руководством Романа Алиева (ИЕТН, Программная инженерия, ЕТ-341) в рамках грантовой программы В.Б. Христенко завершила создание высокодетализированного многоклассового датасета для автономных транспортных платформ. Научный куратор проекта – канд. пед. наук, доцент кафедры системного программирования Ольга Иванова. Проект нацелен на устранение «слепых зон» в существующих базах данных, которые ранее не учитывали специфику отечественной дорожной инфраструктуры.
Цель исследования – предоставить разработчикам автономных гражданских платформ репрезентативный набор данных, адаптированный к российским реалиям. По словам автора разработки Романа Алиева, качество работы беспилотников напрямую зависит от качества обучающих выборок, а большинство существующих аналогов ограничены с точки зрения географии, классовой полноты и условий съемки. Новый датасет призван закрыть эти пробелы.
Для сбора материала использовалась RGB-камера, установленная на лобовом стекле легкового автомобиля. Съемка велась преимущественно в Кургане и Челябинске. Общий объем собранных данных впечатляет: более 300 видеофайлов общей длительностью свыше 1000 минут. В финальную версию размеченного датасета вошло 10 000 обработанных изображений.
Ключевая особенность проекта – высокая степень детализации. Каждый объект аннотирован попиксельной сегментационной маской, причем один пиксель может принадлежать сразу нескольким классам (например, влажная грязь с отдельными крупными листьями, упавшими сверху, размечается как классы «Влажная грязь» и «Мусор» одновременно).
Всего датасет содержит 14 классов (не считая фонового пространства). В отличие от узкоспециализированных наборов данных, здесь покрывается полный спектр дорожных элементов:
- дефекты покрытия: объединенный класс, включающий щели, ямы, выбоины, трещины и колейность;
- особенности дороги: заплатки, стыки асфальта, новый асфальт, стыки мостов и искусственные неровности;
- инфраструктура: люки и трамвайные рельсы выделены в отдельные классы;
- дорожная разметка: размечены все возможные типы – от сплошных и прерывистых линий до стоп-линий, пешеходных переходов, стрелок и надписей на покрытии.
- состояние покрытия: сухая и влажная грязь, лужи, мусор.
В основу работы над датасетом положен итеративный алгоритм – вычислительная процедура, которая решает задачу путём многократного повторения определённого набора операций для постепенного приближения к решению или достижения желаемого результата. На каждом шаге алгоритм использует результаты предыдущих итераций, что позволяет постепенно улучшать решение.
На начальном этапе 19 студентов-разметчиков вручную обрабатывали кадры в веб-инструменте CVAT. Полученные данные использовались для обучения первичной модели ИИ, которая затем автоматически заполняла аннотации на новых кадрах. После этого следовала обязательная верификация «за моделью», повторное обучение и контроль качества.
Для обеспечения «золотого стандарта» внутри команды была выстроена иерархическая система проверки: лучшие разметчики перепроверяли работу коллег, а руководитель проекта финально верифицировал данные ведущих специалистов.
Особый акцент разработчики сделали на сложных погодных и световых условиях. В датасет вошли кадры, снятые в ночное время, при плохом освещении, в дождь и на влажном покрытии. Это должно обеспечить высокую обобщаемость моделей и устойчивость алгоритмов к реальным условиям эксплуатации.
.png) |
| Пример разметки датасета |
«Разработанный нами датасет может стать критически важным стартовым ресурсом для компаний, создающих автопилоты для отечественного рынка. Он позволит сократить затраты на сбор и тестирование данных, что в ближайшие 2 – 3 года напрямую ускорит разработку и повысит безопасность автономных систем как в городской, так и в пригородной среде», – пояснил автор проекта Роман Алиев.
В настоящее время проект доступен для исследователей. По запросу и согласованию с университетом выдается часть данных (20%) в формате COCO JSON, который легко конвертируется в YOLO и другие популярные фреймворки.
В планах команды – публикация базовых моделей сегментации и детекции, обученных на этом датасете, а также интеграция данных с лидаров и добавление тегов погодных условий.
Проект реализуется в рамках Грантовой программы В.Б. Христенко «Шаг в будущее». Это программа ежегодной финансовой поддержки программы развития Университета в рамках «Приоритет-2030». Гранты предоставляются на проведение перспективных исследований, формирование кадрового резерва и реализацию уникальных образовательных программ (компонентов), определяющих вектор развития ЮУрГУ и Челябинской области.
Больше новостей на канале ЮУрГУ в MAКС.
 |
|
Плотность разметки на изображениях |