વાસ્તવિક દુનિયાના અહંકાર કેન્દ્રિત વિડીયો ડેટા સાથે મૂર્ત AI ને આગળ વધારવું
ઘરગથ્થુ અને ઔદ્યોગિક વાતાવરણમાં કેદ કરી શકાય તેવા સ્કેલેબલ વિડિયો સાથે માનવ પ્રવૃત્તિ ઓળખ, રોબોટિક્સ અને હાથ-વસ્તુ ક્રિયાપ્રતિક્રિયા મોડેલ્સને સક્ષમ બનાવવું.
પ્રોજેક્ટ ઓવરવ્યૂ
ક્લાયન્ટે ઉચ્ચ-ગુણવત્તાવાળા સ્વાર્થી વિડિઓ ડેટા માટે સ્કેલેબલ કલેક્શન પ્રોગ્રામ સ્થાપિત કરવા માટે શેપ સાથે ભાગીદારી કરી. ફાળો આપનારાઓ કપાળના સ્તરે સ્થિત સુરક્ષિત રીતે માઉન્ટ થયેલ મોબાઇલ ઉપકરણોનો ઉપયોગ કરીને વાસ્તવિક ઘરગથ્થુ અને ઔદ્યોગિક પ્રવૃત્તિઓ રેકોર્ડ કરશે.
ઉદ્દેશ્ય તાલીમ મોડેલો માટે યોગ્ય વૈવિધ્યસભર, કુદરતી વિડિઓ ડેટાસેટ બનાવવાનો હતો:
- જટિલ માનવ પ્રવૃત્તિઓ અને કાર્ય ક્રમ ઓળખો
- હાથ-વસ્તુ ક્રિયાપ્રતિક્રિયાઓનું અર્થઘટન કરો
- વાસ્તવિક દુનિયાના ઘરગથ્થુ અને કાર્યસ્થળના વાતાવરણને સમજો
- રોબોટિક્સ અને એમ્બોડેડ AI એપ્લિકેશનોને સપોર્ટ કરો
- સ્થાનો, ઉપકરણો, ઑબ્જેક્ટ્સ અને ઓપરેટિંગ પરિસ્થિતિઓમાં મોડેલ સામાન્યીકરણમાં સુધારો કરો
આ જોડાણમાં કુદરતી કાર્ય પ્રદર્શન, સ્થિર કેમેરા સ્થિતિ, સતત અમલીકરણ, યોગદાનકર્તાઓની સંમતિ અને સખત ગુણવત્તા માન્યતા પર ભાર મૂકવામાં આવ્યો હતો.
અહંકાર કેન્દ્રિત વિડિઓ ડેટાસેટ: મુખ્ય સ્પષ્ટીકરણો
ડેટા વોલ્યુમ
૩૦,૦૦૦ કલાક એકત્રિત, ૨૪,૦૦૦+ કલાક ટિપ્પણી કરેલ
ફાળો આપનાર ક્ષમતા
પ્રતિ સહભાગી 100 મંજૂર વિડિઓ કલાકો સુધી
મંજૂર ઉપકરણો
iPhone 11+, Google Pixel 6+, અને Samsung Galaxy S21+
ભૌગોલિક કવરેજ
યુનાઇટેડ સ્ટેટ્સ અને લેટિન અમેરિકા
પ્રવૃત્તિ વાતાવરણ
ઘરગથ્થુ, ઔદ્યોગિક અને વાણિજ્યિક સેટિંગ્સ
અહંકાર કેન્દ્રિત વિડિઓ ડેટા સંગ્રહમાં પડકારો
- કુદરતી માનવ વર્તનને કેપ્ચર કરવું: ફાળો આપનારાઓને સ્ટેજ્ડ, અતિશયોક્તિપૂર્ણ અથવા રોબોટિક હલનચલન વિના વાસ્તવિક પ્રવૃત્તિઓ કરવાની જરૂર હતી.
- પ્રથમ વ્યક્તિ ફ્રેમિંગ જાળવવું: સક્રિય કાર્ય અમલીકરણ દરમિયાન બંને હાથ, કાર્યક્ષેત્ર અને સંબંધિત વસ્તુઓ દૃશ્યમાન રહેવાની હતી.
- કેમેરા સ્થિરતાનું નિયંત્રણ: હેડ-માઉન્ટેડ મોબાઇલ ઉપકરણો ઓછામાં ઓછા ધ્રુજારી, વધુ પડતા ઝુકાવ અથવા અવરોધ વિના સુરક્ષિત રહેવા જરૂરી છે.
- વિવિધ વાતાવરણમાં એકત્રિત કરવું: ડેટાસેટને રહેણાંક, ઔદ્યોગિક, છૂટક, આતિથ્ય, કૃષિ, બાંધકામ અને સેવા વાતાવરણમાંથી અધિકૃત ફૂટેજની જરૂર હતી.
- નિષ્ક્રિય અથવા કાર્ય ન કરતા ફૂટેજને ઓછું કરવું: રેકોર્ડિંગ્સમાં મર્યાદિત વિરામ અને બિનજરૂરી હલનચલન સાથે સતત, ઇરાદાપૂર્વકનું કાર્ય દર્શાવવું પડ્યું.
- અધિકૃતતા અને સંમતિની ખાતરી કરવી: દરેક યોગદાનકર્તા અને રેકોર્ડિંગ સ્થાનને યોગ્ય પરવાનગી, સંમતિ અને પાલન માન્યતાની જરૂર હતી.
- ગુણવત્તા સાથે ચેડા કર્યા વિના સ્કેલિંગ: મોટા પ્રમાણમાં ફૂટેજની ઝડપથી સમીક્ષા કરવાની જરૂર હતી, જેમાં સ્પષ્ટ અસ્વીકારના કારણો અને કાર્યક્ષમ પુનઃકબજા કાર્યપ્રવાહનો સમાવેશ થતો હતો.
શેપે કેવી રીતે અહંકાર કેન્દ્રિત વિડિઓ ડેટા એકત્રિત કર્યો
સંગ્રહ વ્યૂહરચના
શેપે એક લવચીક માળખું ડિઝાઇન કર્યું જેમાં અધિકૃત ઘરગથ્થુ, વાણિજ્યિક અને ઔદ્યોગિક પ્રવૃત્તિઓને આવરી લેવામાં આવી હતી. ફાળો આપનારાઓએ તબક્કાવાર સ્ક્રિપ્ટોને અનુસરવાને બદલે તેમના કુદરતી દિનચર્યાઓ સાથે સંરેખિત કાર્યો પસંદ કર્યા.
યોગદાનકર્તા ઓનબોર્ડિંગ
યુનાઇટેડ સ્ટેટ્સ અને લેટિન અમેરિકાના સહભાગીઓને કાર્ય પસંદગી, ઉપકરણ આવશ્યકતાઓ, કેમેરા પ્લેસમેન્ટ, સંમતિ અને પ્રતિબંધિત કેપ્ચર શરતો પર તાલીમ આપવામાં આવી હતી.
મોબાઇલ વિડિઓ સંગ્રહ
મંજૂર થયેલા પ્રદેશોમાં રેકોર્ડિંગની પુષ્ટિ કરવા માટે ઓટોમેટેડ સબમિશન અને સ્થાન ચકાસણી સાથે નિયુક્ત મોબાઇલ એપ્લિકેશન દ્વારા રેકોર્ડિંગ કેપ્ચર કરવામાં આવ્યા હતા.
હેડ-માઉન્ટેડ કેમેરા સેટઅપ
મંજૂર કરાયેલા સ્માર્ટફોનને કપાળના સ્તરે સુરક્ષિત રીતે માઉન્ટ કરવામાં આવ્યા હતા અને લગભગ 45° નીચે તરફ કોણીય કરવામાં આવ્યા હતા જેથી ફાળો આપનારના હાથ, વસ્તુઓ, કાર્યસ્થળ અને જ્યારે સ્થિર હોય ત્યારે પગના અંગૂઠા દૃશ્યમાન રહે.
કુદરતી કાર્ય અમલીકરણ
ફાળો આપનારાઓએ ઊભા રહીને કે ચાલતી વખતે સતત, હેતુપૂર્ણ પ્રવૃત્તિઓ કરી અને સાધનો, સાધનો અને રોજિંદા વસ્તુઓ સાથે કુદરતી રીતે ક્રિયાપ્રતિક્રિયા કરી.
ગુણવત્તા માન્યતા
દરેક રેકોર્ડિંગ કેમેરાની સ્થિરતા, લાઇટિંગ, ફોકસ, હાથ-વસ્તુ દૃશ્યતા, કાર્ય સાતત્ય, મુદ્રા, પર્યાવરણ અને અધિકૃતતા માટે તપાસવામાં આવ્યું હતું.
ઝડપી સમીક્ષા અને પુનઃકબજા
સબમિશનની એક દિવસની અંદર સમીક્ષા કરવામાં આવી. સ્પષ્ટ અસ્વીકાર કારણોને કારણે ફાળો આપનારાઓ ફૂટેજને ઝડપથી સુધારવા અને ફરીથી મેળવવામાં સક્ષમ બન્યા.
શાસન નિયંત્રણો
સંમતિ, સ્થાન અધિકૃતતા, સુરક્ષિત સબમિશન, સ્થાન માન્યતા અને બૌદ્ધિક-સંપત્તિ સોંપણીને કાર્યપ્રવાહમાં સંકલિત કરવામાં આવ્યા હતા.
પ્રોજેક્ટ અવકાશ અને પ્રવૃત્તિઓ
| ડેટા સેગમેન્ટ | પ્રતિનિધિ પ્રવૃત્તિઓ | કેપ્ચર આવશ્યકતાઓ |
|---|---|---|
| ઘરગથ્થુ પ્રવૃત્તિઓ | કપડાં ધોવા, રૂમ ગોઠવવા, રસોડાની વ્યવસ્થિતતા, પાલતુ પ્રાણીઓની સંભાળ, છોડની સંભાળ, બાગકામ અને ઘરની જાળવણી. | ઊભા રહેવું કે ચાલવું; કુદરતી અમલ; હાથ અને કાર્યસ્થળ દૃશ્યમાન. |
| વેરહાઉસ અને લોજિસ્ટિક્સ | પેકેજિંગ, સૉર્ટિંગ, ઇન્વેન્ટરી હેન્ડલિંગ, નિરીક્ષણ અને સામગ્રીની હિલચાલ. | સતત કાર્ય પ્રવૃત્તિ સાથે સ્થિર હેડ-માઉન્ટેડ કેપ્ચર. |
| વાણિજ્યિક અને આતિથ્ય | સફાઈ કામ, ઘરકામ, છૂટક સ્ટોકિંગ અને ઘરની પાછળ ખોરાક સેવાની પ્રવૃત્તિઓ. | અધિકૃત રેકોર્ડિંગ સ્થાન અને સ્પષ્ટ ઑબ્જેક્ટ ક્રિયાપ્રતિક્રિયા. |
| ઔદ્યોગિક પ્રવૃત્તિઓ | હલકું ઉત્પાદન, એસેમ્બલી, સાધનોની જાળવણી અને ઉત્પાદન પ્રક્રિયાઓ. | યોગ્ય પરવાનગીઓ સાથે કાર્યસ્થળનું વાસ્તવિક અમલીકરણ. |
| કૃષિ અને લેન્ડસ્કેપિંગ | મેદાનની જાળવણી, બાગકામ, કૃષિ કાર્ય અને બહારની સામગ્રીનું સંચાલન. | પૂરતી લાઇટિંગ, સ્થિર ફ્રેમિંગ અને સલામત કાર્ય અમલીકરણ. |
| કુશળ વેપાર અને ક્ષેત્ર સેવાઓ | બાંધકામ, ઓટોમોટિવ સેવા, સમારકામ, સ્થાપન અને ક્ષેત્ર જાળવણી. | સાધનો, હાથ, ઘટકો અને કાર્યક્ષેત્રની સ્પષ્ટ દૃશ્યતા. |
ગુણવત્તા ફ્રેમવર્ક
રેકોર્ડિંગ્સ આ માટે નકારવામાં આવ્યા હતા:
- અવરોધિત, અતિશય નમેલું, અથવા અસ્થિર કેમેરા દૃશ્યો
- ઓછી લાઇટિંગ, નબળું ફોકસ, અસ્પષ્ટ દૃશ્યતા
- લાંબા સમય સુધી નિષ્ક્રિય સમય અથવા બિન-કાર્યકારી ફૂટેજ
- કૃત્રિમ, કાલ્પનિક, અથવા રોબોટિક અમલ
- માથા, હાથ અથવા શરીરની અતિશય હિલચાલ
- ૧૦% થી વધુ સક્રિય પકડવા અને છોડવાની પ્રવૃત્તિ માટે ફ્રેમની બહાર હાથ
- અનધિકૃત રેકોર્ડિંગ સ્થાનો
- યોગદાનકર્તાની સંમતિ ખૂટે છે
સફળ રેકોર્ડિંગ માટે આ જરૂરી હતું:
- અધિકૃત ઘરગથ્થુ અથવા ઔદ્યોગિક કાર્ય કેપ્ચર કરો
- સ્થિર પ્રથમ વ્યક્તિનો દ્રષ્ટિકોણ જાળવી રાખો
- હાથ, વસ્તુઓ અને કાર્ય ક્ષેત્ર દૃશ્યમાન રાખો
- સતત અને ઇરાદાપૂર્વકની પ્રવૃત્તિ દર્શાવો
- મંજૂર ઉપકરણ અને કેમેરા-પોઝિશનિંગ આવશ્યકતાઓને પૂર્ણ કરો
- પ્રવૃત્તિ ઓળખ અને રોબોટિક દ્રષ્ટિકોણને સમાવિષ્ટ AI તાલીમ માટે યોગ્ય બનો.
પરિણામો: રોબોટિક્સ-તૈયાર અહંકાર કેન્દ્રિત વિડિઓ ડેટા
- અધિકૃત પ્રવૃત્તિ ડેટા: કુદરતી કાર્ય અમલીકરણમાં માનવ ક્રિયાઓ, હાથ-વસ્તુ ક્રિયાપ્રતિક્રિયાઓ અને કાર્યકારી ક્રમનો સમાવેશ થાય છે.
- સ્કેલેબલ ડેટાસેટ વિસ્તરણ: દરેક સહભાગી 100 મંજૂર કલાકો સુધી યોગદાન આપી શકે છે, જ્યારે ઑબ્જેક્ટ્સ, ટૂલ્સ, સ્થાનો, લાઇટિંગ અને કાર્ય ક્રમમાં ભિન્નતાએ ડેટાસેટ વિવિધતાનો વિસ્તાર કર્યો છે, પ્રોગ્રામને અંદાજે 30,000 કલાકના અહંકાર કેન્દ્રિત વિડિઓ એકત્રિત કરવા માટે સ્કેલ કર્યો છે, જેમાં 24,000+ કલાક એનોટેટ અને મોડેલ તાલીમ માટે મંજૂર કરવામાં આવ્યા છે.
- રોબોટિક્સ-તૈયાર સંદર્ભ: સ્થિર પ્રથમ-વ્યક્તિ ફૂટેજ હાથ, વસ્તુઓ, સાધનો, કાર્યસ્થળો અને કાર્ય પ્રગતિની સ્પષ્ટ દૃશ્યતા પ્રદાન કરે છે.
- ઝડપી ગુણવત્તા હસ્તક્ષેપ: એક-દિવસીય સમીક્ષા ચક્ર ઝડપી પ્રતિસાદ, સુધારણા અને પુનઃપ્રાપ્તિને સક્ષમ બનાવે છે.
- ભૌગોલિક અને ઉપકરણ વિવિધતા: માન્ય એપલ, ગૂગલ અને સેમસંગ ઉપકરણોનો ઉપયોગ કરીને, સમગ્ર યુએસએ અને લેટિન અમેરિકામાં સંગ્રહ દ્વારા વ્યવહારુ પર્યાવરણીય અને હાર્ડવેર વિવિધતા રજૂ કરવામાં આવી.
- સંકલિત શાસન: સમગ્ર કાર્યક્રમમાં સંમતિ, અધિકૃતતા, સ્થાન માન્યતા, સુરક્ષિત સબમિશન અને ગુણવત્તા નિયંત્રણો એમ્બેડ કરવામાં આવ્યા હતા.
પરિણામી સંગ્રહ અભિગમ એઆઈ સિસ્ટમ્સના નિર્માણ માટે એક મજબૂત પાયો પૂરો પાડે છે જે ઓપરેટરના દ્રષ્ટિકોણથી માનવ ક્રિયાને સમજે છે અને વધુ વિશ્વસનીય રીતે કાર્ય કરે છે.
શેપના સ્વાર્થી વિડિઓ સંગ્રહ પ્રત્યેના માળખાગત અભિગમે અમને અમારા AI તાલીમ કાર્યક્રમ માટે જરૂરી સ્કેલ, ગુણવત્તા નિયંત્રણો અને વાસ્તવિક-વિશ્વની વિવિધતા આપી. તેમના ઝડપી સમીક્ષા કાર્યપ્રવાહ અને વિગતવાર કેપ્ચર ધોરણોએ પ્રવૃત્તિ-માન્યતા અને રોબોટિક્સ મોડેલોને આગળ વધારવા માટે વિશ્વસનીય પાયો બનાવ્યો.
