Хабр Курсы для всех
РЕКЛАМА
Практикум, Хекслет, SkyPro, авторские курсы — собрали всех и попросили скидки. Осталось выбрать!
Поток AI и ML доступен 24/7 благодаря поддержке друзей Хабра
Комментарии 25
Garbage in, garbage out? Нет?
Заплатки выглядят реалистичными на первый взгляд, но это не значит, что модель, обученная на вроде бы реалистичных, но фейковых данных сможет распознавать реальные заплатки. Все-таки человеческий мозг и ANN по разному работают.
Есть задача: обучить модель для поиска заплаток на дороге и выбоин.
Данных мало. Разметка так себе.
Предобученная модель на наших данных работает плохо.
Не увидел в статье самое интересное: как в итоге работает модель, предобученная на синтетике?
Интересно, а зачем это нужно? Выбоины ещё понятно - для роботакси пригодится, чтобы объезжать. А заплатки как пригодятся?
Заплатка - та же выбоина. По действию на колесо.
Это какая-то новая альтернативная физика? Можете объяснить подробнее? А то я каждый ощущаю разницу и в воздействии на колесо и в последствиях.
Выбоина - те же 2 ступеньки, только у заплатки они обычно пониже. На большой скорости иная заплатка - как бы не выбросила с дороги. Ровных заплаток не видел.
только у заплатки они обычно пониже
Это как: "белое это то же самое чёрное, только обычно белое".
Разница по воздействию на колесо между ступеньками 20 см и 0,5 см колоссальная.
Я реально это ощущаю каждый раз, когда доводится сравнивать. Ну и колёса с кошельком тоже ощущают.
Раньше я тоже так думал. Раз ехали по чиненой, но хорошей, казалось бы, дороге, у которой заменяли асфальт полосами. Огорожено было символически. Едем по асфальту, рядом полоса без покрытия, крупный щебень. Ехали быстро, поймали толстую заплатку, вылетели на щебень на скорости около сотни, да ещё от толчка перепутались педали, и вместо тормоза - газ. Это было не вчера, но запомнил надолго.
И в любом случае - это лишняя неровность, которую надо учитывать.
Вы, конечно, извините. Но почему вы не притормозили, если только одна полоса асфальтированная, рядом щебень, а у вас от заплаток педали путаются? И как вас от заплатки выбросило? Ладно мы тут в деревне ездим на нивах да на уазах, но вы то, наверняка, живёте в крупном городе и ездите на нормальной машине с кучей электронных помощников? Вы реально думаете, что живёте в дистиллированном мире с мягкими стенами, который обязан соответствовать вашим ожиданиям?
Вы не подумайте, пожалуйста, что я просто стебусь. Просто, если вы будете воспринимать мир таким, как он есть, т.е. полным опасностей, вам же будет легче в нём жить
И Вы уверены, что выражаете точку зрения автора? То есть ему это нужно для того, чтобы роботакси объезжало заплатки?
Привет
Логика такая, что заплатка != “идеально ровный асфальт”. Если дорога много ремонтировалась и заплатки слишком частые, то в какой-то момент назначаются ремонтно-восстановительные мероприятия, вплоть до укладки слоя(ёв) покрытия на участке.
Yolo нет?
Привет
Увы, нет. Слишком много пропускает модель. В лоб не получилось.
Так же пропускала ёлка не очень идеальные заплатки (как это обычно бывает на дорогах за мск). Можно было бы насобирать больше разнообразных данных по регионам, но это затраты времени и денег. Хотелось попробовать решить задачу дешевле и быстрее, что и получилось в итоге.
В комментариях верно указали на косяк, что не хватает "как обучилась модель на синтетике". На этой неделе дополню эту статью или новую опубликую с результатами.
Если проблема была в сложности ручной разметки данных google maps, то почему нельзя было использовать модель для разметки?
Трата времени.
Так как время ожидания генерации не важно, можно еще сэкономить, создавая изображения через Batch API
Зарегистрируйтесь на Хабре, чтобы оставить комментарий
Nano Banana Pro. Реальное применение, а не мемные картинки