Главная страница Case Studies Семантическая сегментация для разметки стен интерьеров

Семантическая сегментация для разметки стен интерьеров

Мы помогли создать систему для автоматической разметки интерьеров, разметив 12 000 изображений с использованием методов семантической сегментации. Наш подход позволил повысить точность алгоритмов распознавания и ускорить процесс аннотации, что привело к улучшению классификации поверхностей и элементов стен.

Объем данных:

12 000 изображений
Индустрия:

Недвижимость и дизайн интерьеров
Длительность проекта:

4 месяца

Задача:
К нам обратился клиент, работающий в сфере недвижимости и дизайна интерьеров. Перед ним стояла интересная задача: он хотел улучшения алгоритмов автоматического распознавания и классификации внутренних поверхностей для внутреннего использования. Клиент поручил нам разметить датасет для обучения алгоритмов, способных различать типы поверхностей и элементы стен в помещениях.

Основные цели проекта:
1. Обработка изображений. Разметить 12 000 изображений с использованием семантической сегментации.
Решение:

Специализированное обучение команды

Постепенная разметка

Мы разделили проект на четыре этапа по 3 000 изображений каждый. На первом этапе наша команда вручную разметила изображения, чтобы создать базовый датасет для последующей предразметки. Это позволило сократить время на ручную разметку и ускорить следующие итерации.

Разметка сложных объектов

Для повышения точности мы уделили отдельное внимание различным элементам на стенах: окна, двери, ниши, колонны и декоративные элементы. Это включало точную сегментацию границ каждого элемента. Нам также надо было помечать материалы, чтобы создать максимально качественные данные для обучения алгоритма.

Валидация

Для достижения высокой точности все материалы проходят тщательную проверку с помощью репрезентативной выборки. В процессе валидации мы всегда взаимодействуем с командами, задаем уточняющие вопросы, передаем руководителям отчеты о выявленных отклонениях и готовим статистику по эффективности. Так менеджеры могут выделить наиболее результативных и менее продуктивных сотрудников.
Результаты:
1. Своевременная разметка
  
  Все 3 000 изображений для каждой итерации были размечены в установленные сроки, что позволило клиенту оперативно обновлять и обучать свои алгоритмы.
2. Улучшение точности моделей
  
  Благодаря качественной сегментации клиент смог улучшить алгоритмы распознавания и классификации стен и поверхностей. Модель стала лучше различать элементы, что повысило точность последующей обработки изображений.
3. Эффективное использование данных
  
  Наличие детализированных и точно размеченных данных позволило клиенту оптимизировать процессы автоматической классификации стен, что улучшило качество работы системы и ее производительность.