Appearance
ПР09. Базовый алгоритм 2D/3D-восприятия
Работа относится к проектной траектории. Рассчитывайте на одну лабораторную пару и примерно 2,5 часа самостоятельной доработки.
Цель
Запустить предоставленный детектор на версионированном наборе, пересчитать метрики одной командой и доказать, что завышенная метрика была следствием утечки или ошибки предобработки, а не качеством модели.
Критерии зачтено
Работа зачтена, когда выполнены все три стадии и прошла автопроверка:
| Стадия | Что требуется |
|---|---|
| 1 · Собрать | детектор на версионированных изображениях/метках, метрики точности, полноты, F1, IoU и привязка 2D к глубине |
| 2 · Сломать | утечка меток, неверное цветовое пространство или ошибка калибровки завышают метрику |
| 3 · Доказать | правильный отчёт после исправления, errors.md с ≥3 категориями причин, хэш набора сохранён |
| Автопроверка | check_practice.py PR09 проверит data/manifest.json, evidence/pr09/{metrics.json,errors.md} и заявления public_tests_passed, defect_reproduced, defect_fixed, dataset_versioned |
Что получится
Вы запустите готовый детектор на фиксированном наборе, сохраните исходные предсказания, посчитаете метрики и отдельно разберёте ошибки 2D-детекции и пространственной привязки.
Пакеты и понятия
perception_baseline— пакет с детектором и скриптом оценки;data/manifest.json— версия набора: хэш изображений/меток и правило разбиения на обучающую/тестовую выборки.- Метрики отвечают на разные вопросы: IoU — насколько точно совпадает область; точность — доля верных детекций среди найденных; полнота — доля найденных среди всех истинных; F1 — их гармоническое среднее.
- Порог — уровень уверенности детекции; выбирается по цене ошибок до просмотра тестовой выборки.
- Пространственная привязка требует глубины + калибровки + системы координат + согласованного времени; без глубины публикуется
unknown.
Что сделать
- Запустите предоставленный классический детектор на версионированных изображениях и метках (
data/manifest.json). Посчитайте точность, полноту, F1 и IoU сохранённым скриптом оценки. - Свяжите 2D-детекцию с глубиной, проекцией лидара или геометрической оценкой расстояния. Для каждой детекции сохраните и 2D-область, и пространственную позу с указанием системы координат; при отсутствии глубины —
unknown. - В fixture есть утечка меток, неверное цветовое пространство или ошибка калибровки, из-за которой F1 выглядит завышенной. Покажите завышенную метрику до и корректный отчёт после исправления;
errors.md— не менее трёх категорий причин ошибок.
Сохраните data/manifest.json и evidence/pr09/{metrics.json,errors.md,report.json}: хэш набора и разбиение зафиксированы, метрики пересчитываются одной командой, исходные предсказания сохранены.
Проверка
bash
colcon test --packages-select perception_baseline
python3 tools/evaluate_perception.py --manifest data/manifest.json
python3 /path/to/course/tools/check_practice.py PR09 --submission .Готово, если хэш набора и разбиение сохранены, метрики пересчитываются одной командой, а errors.md содержит не менее трёх категорий причин. Дополнительно: проверьте устойчивость к освещению без изменения тестовых меток.
Как работаем на лабораторной
После проверки локализации сравним два отчёта с одинаковым F1, но разным разбиением данных. Затем зафиксируйте манифест набора и первый запуск детектора.
Общий порядок: runbook · troubleshooting.
Если использовался ИИ, применяются правила курса.