Aller au contenu principal
Génération de jeux de données automobiles

Génération de jeux de données automobiles

Réduire le coût d'entraînement des réseaux de neurones pour l'estimation de pose de voitures grâce aux données synthétiques

automotivesynthetic-datamachine-learning
Chris Laan
Chris Laan
12 octobre 2019 · Mis à jour le 3 octobre 2026

Enjeu métier

Pour un projet d'application mobile récent, Laan Labs devait créer une expérience de réalité augmentée autour de l'extérieur d'une automobile. Pour superposer des éléments graphiques réalistes à une voiture en réalité augmentée, il faut estimer avec précision la position et l'orientation du véhicule en temps réel.

Les données d'images d'entraînement peuvent coûter très cher à acquérir et exigent parfois une annotation manuelle laborieuse et sujette aux erreurs. Les voitures, en particulier, sont grandes et brillantes, et leur forte réflectivité les fait apparaître très différemment selon les conditions météorologiques et le décor environnant.

Laan Labs devait réunir plus de 10 000 images représentatives des conditions réelles auxquelles un utilisateur peut être confronté lorsqu'il photographie une voiture avec un smartphone.


Les données synthétiques fournissent des images photoréalistes uniques, accompagnées d'annotations de référence précises


Approche

Laan Labs a choisi de s'appuyer sur les données synthétiques, en développant un logiciel qui génère des images photoréalistes uniques avec des annotations de référence (ground truth) précises. Une sélection de modèles 3D de voitures créés par des artistes, de scènes d'arrière-plan et de modèles d'éclairage a servi de base à un environnement 3D. Les annotations des images ont été calculées directement à partir de la scène 3D. Plusieurs aspects de la scène ont été paramétrés : angle de la caméra, éclairage et arrière-plan. Les attributs propres au véhicule, tels que la pose du véhicule, la couleur et le fini mat de la peinture, la teinte des vitres et le choix des roues, étaient personnalisables. Grâce à cette scène 3D paramétrée, un nombre incalculable de variantes d'images de voitures annotées peut être généré de façon procédurale en s'appuyant sur le cloud computing.

Rendu de voiture 1Rendu de voiture 2

Valeur métier

En générant des données synthétiques, Laan Labs a produit les plus de 10 000 images annotées dont le projet avait besoin, sans photographier ni annoter à la main des milliers de voitures réelles. Les annotations ont été calculées directement à partir de la scène 3D, ce qui a supprimé l'annotation manuelle et les erreurs qui l'accompagnent. De nouvelles variations d'éclairage, de peinture et d'arrière-plan pouvaient être ajoutées en modifiant des paramètres, sans organiser une nouvelle séance photo. Le jeu de données a servi à entraîner le modèle d'estimation de pose de voiture qui sous-tend l'expérience de réalité augmentée de l'application.

Technologies utilisées

Vision par ordinateur, réseaux de neurones, réalité augmentée, Python, iOS, TensorFlow, CoreML

Travailler avec Laan Labs

Développement de vision par ordinateur et d’IA

De la vision par ordinateur et du machine learning sur mesure, de la preuve de concept à la production, sur l’appareil comme dans le cloud.

Télécharger cet article

Récupérez la source Markdown pour le lire hors ligne