Innan du börjar
Startkunskap
- Grundläggande Python, arrayer och bildbehandling.
- Förstå skillnaden mellan en sensorobservation och marksanning.
Utrustning & miljö
Börja med licensierad befintlig data och en kontrollerad scen. Fånga identifierbara personer endast under en lämplig samtyckes- och styrningsprocess.
Ingen fast slutföringstid: använd bevisportarna nedan för att bestämma när du ska avancera. Resurslänkar öppnar botstest-katalogposten; kontrollera dess utgivardokumentation för den exakta versionen och konfigurationen.
Nybörjare
Definiera observationer och etiketter
Koppla en perceptionsfråga till mätbara kommentarer.
Hur det här steget fungerar
Perceptionsetiketter representerar en uppgiftsspecifik tolkning av observationer. Definiera vad som inte kan observeras lika noggrant som vad som är synligt.
Arbeta igenom ett exempel
Illustrativ studieövning · skriven av botstest
För en poseringsövning med känt objekt, jämför en helvy, en delvy och en ram med ogiltigt djup. Bestäm vilka fall som kan stödja den avsedda märkningen och vilka som kräver en okänd eller granskningsstatus.
- Definiera observationen och målmängden.
- Skriv regler för oklarhet och ocklusion.
- Granska ett litet urval med en annan kommentator.
Ett oobserverbart objekt är inte nödvändigtvis ett negativt exempel; hålla synligheten åtskild från kategorietiketter.
Referensbas: Geometrisk ställningsuppskattning. Exemplet och genomgången är redaktionella tillämpningar av källan.
Lär dig i den här ordningen
- Uppgiftsdefinitioner för detektering, pose och geometri
- Kamerans inneboende, ramkonventioner och tidsstämplar
- Märk härkomst, oklarhet och behörigheter
Läs och ansök sedan
Russ Tedrake · MIT · Kurs kapitel
Geometrisk ställningsuppskattning
Läs: Börja med kameror, djupobservationer, saknade returer och delvyer före registreringsmetoder.
Använd avkänningsantagandena för att identifiera oobserverbara fall innan du märker data eller litar på en geometrisk uppskattning.
Använd det: Märk vilka observationer som saknas, ockluderade eller utanför den valda geometriska modellen.
Omsätt det i praktiken
- Inspektera en liten bild eller punktmolnprov och dess etiketter.
- Skriv anteckningsregler för svåra och oobserverbara fall.
En dataordbok, anteckningsguide och provrevision.
Redo för nästa steg när...
Resurser för detta skede
Inspektera punktmoln och geometribearbetningsresultat innan du använder dem i en perceptionspipeline.
Studera bildbehandling och kamerarelaterade verktyg genom dess uppströms projektdokumentation.
Inspektera handobjektobservationer, kommentarer och utvärderingsantaganden för en fokuserad perceptionsstudie.
Mellanliggande
Konstruera läckagebeständig utvärdering
Mät modellbeteende på en meningsfullt uthållen fördelning.
Hur det här steget fungerar
Bilder från samma session kan dela dolda beroenden. Dela enligt generaliseringsanspråket snarare än bekvämlighet.
Arbeta igenom ett exempel
Illustrativ studieövning · skriven av botstest
Om anspråket är prestanda på nya infångningssessioner, håll ihop hela sessioner. Kontrollera nästan duplicerade ramar och upprepade objekt innan du använder en slumpmässig uppdelning som kan distribuera nästan identiska bevis över partitioner.
- Välj den avsedda uthållna varianten.
- Skapa ett reproducerbart delat manifest.
- Rapportera fel efter scen och observationstillstånd.
Oväntat utmärkta utvärderingsresultat bör utlösa en läckagerevision innan ett starkare modellkrav.
Referensbas: Korsvalidering: Utvärdera Estimatorprestanda. Exemplet och genomgången är redaktionella tillämpningar av källan.
Lär dig i den här ordningen
- Scen-, objekt- och sessionsuppdelningar
- Kalibreringskvalitet och sensorinriktning
- Precisions-/återkallnings- eller uppgiftslämpliga feldefinitioner
Läs och ansök sedan
scikit-learn developers · Praktisk guide
Korsvalidering: Utvärdera Estimatorprestanda
Läs: Läs den utdragna utvärderingsdiskussionen och den delade strategin som är lämplig för dina databeroende.
Använd beroendemedvetna splittringar för att skydda bevisen från träning och justeringsbeslut.
Använd det: Skapa infångningssessioner eller objektnivåuppdelningar och inspektera ett medvetet nästan duplicerat prov.
Omsätt det i praktiken
- Dela upp efter fångstsession eller objekt där uppgiften kräver det.
- Jämför en enkel baslinje på normala, ockluderade och förskjutna observationer.
En versionerad datamängdsuppdelning och baslinjeutvärderingsanteckningsbok.
Redo för nästa steg när...
Resurser för detta skede
Inspektera en manipulationsdatauppsättning och dess insamlingsförhållanden innan du utformar utbildnings- och utvärderingsdelar.
Studera ett arbetsflöde för manipulation av datainsamling och dess utformning och miljöantaganden.
Utforska fiduciell detektering och poseringsobservationer med känd markörgeometri och kamerakalibrering.
Professionell
Släpp en datauppsättning med en ärlig omfattning
Gör datan återanvändbar och dess begränsningar synliga.
Hur det här steget fungerar
En återanvändbar datauppsättning förklarar hur råobservationer blev frigivna prover. Bevara härkomst, konventioner och begränsningar med data.
Arbeta igenom ett exempel
Illustrativ studieövning · skriven av botstest
Välj en släppt episod eller bild och rekonstruera dess infångningssession, kalibrering, bearbetning och etikettbeslut. Be en kollega att återskapa utvärderingen med endast den publicerade metadatan.
- Skriv en dataordbok och behörighetsnotering.
- Beslut om versionsbearbetning och anteckningar.
- Publicera utvärderaren och distributionsgränserna.
En datauppsättningsmapp med namnlösa transformeringar och odokumenterade etiketter kan inte stödja tillförlitlig återanvändning.
Referensbas: LeRobotDataset v3.0. Exemplet och genomgången är redaktionella tillämpningar av källan.
Lär dig i den här ordningen
- Dataset dokumentation och användningsrättigheter
- Sensor- och scendistributionsrapportering
- Modellera förtroende, drift och nedströms konsekvenser
Läs och ansök sedan
Hugging Face · LeRobot · Referensdokumentation
LeRobotDataset v3.0
Läs: Inspektera datasetstrukturen och metadata innan du ändrar eller kombinerar episoder.
Använd datastrukturen för att göra episoder, observationer, handlingar och bearbetning av härkomst inspekterbara.
Använd det: Publicera dataorganisation, versioner och härkomst så att en annan forskare kan rekonstruera en episod.
Omsätt det i praktiken
- Förbered ett datakort med insamling, bearbetning och delade detaljer.
- Låt en andra forskare återge utvärderingen från den släppta metadatan.
Ett datauppsättningskort, reproducerbar utvärderare och begränsningsrapport.
Redo för nästa steg när...
Resurser för detta skede
Undersök demonstrationsdata, metadata, licenser och handlingskonventioner med flera utföranden.
Utforska objekttillgångar med härkomst- och licenskontroller innan du inkluderar dem i simulering.
Visualisera rumsliga observationer och jämför dem med modell- och banautgångar.
Vanliga fallgropar
- Dela slumpmässigt intilliggande videorutor och anropa resultatet för generalisering.
- Använda renderad eller mänsklig-videodata som om det vore robot-action mark sanning.
Vart ska man gå härnäst
Utvidga till manipulation eller industriell inspektion med samma data och utvärderingskontrakt.
Utforska andra forskning vägar →