KI und Ansichten
Erkennungsrahmen und Konfidenzwerte in AYNIcam verstehen
Verstehe die sieben unterstützten Verkehrsobjektklassen, wechselnde Erkennungsrahmen und Konfidenzwerte, ohne sie mit einer Sicherheitsgarantie zu verwechseln.
In diesem Ratgeber
Mit dem Kamerabild beginnen
„Erkennung“ hält das Kamerabild sichtbar und ergänzt Rahmen um unterstützte Objekte. Befestige vor der Fahrt das iPhone sicher, halte das Objektiv frei und prüfe die Sicht auf die Straße. Wähle ein Detektormodell und öffne „Erkennung“. Das Bild bleibt deine Referenz, wenn ein Rahmen verspätet, unvollständig oder falsch platziert ist; die Überlagerung ist eine Interpretation dieses Bildes.
Wissen, was das Modell beschriften kann
Der Detektor unterstützt Person, Fahrrad, Motorrad, Auto, Bus, Ampel und Stoppschild. Sowohl nawnaw als auch nawnaw pro verwenden diese sieben Klassen. Ein Fahrzeug außerhalb dieser Beschriftungen kann übersehen oder ungenau eingeordnet werden. Ein Rahmen um ein Auto bestimmt weder seine Marke noch zuverlässig seine Vorderseite oder seine exakte Größe.
Konfidenz im Zusammenhang lesen
Konfidenz beschreibt, wie stark das Modell eine Erkennung stützt. Sie ist weder Kollisionswahrscheinlichkeit noch zertifizierte Messung oder Zusage, dass jeder höhere Wert korrekt ist. Ein teilweise verdeckter Bus kann wechselnde Werte erhalten, während eine Reflexion trotzdem eine falsche Erkennung erzeugen kann. Beurteile das sichtbare Objekt und die Kontinuität der Beobachtungen gemeinsam.
Wenn Rahmen wechseln oder verschwinden
Verdeckung, Dunkelheit, Blendung, kleine entfernte Objekte und Kamerabewegung können das Ergebnis verändern. Ein verschwindender Rahmen bedeutet keine freie Straße. Auch Ampelerkennung kann unsicher sein: Beachte immer das tatsächliche Signal. Wenn Ergebnisse ablenken, ändere Ansicht oder Einstellungen im sicher geparkten Fahrzeug. Passe niemals während der Fahrt eine Erkennungsschwelle an und untersuche keine kleinen Konfidenzwerte.
Die Ansicht nach der Aufgabe wählen
Nutze „Erkennung“, um eine Überlagerung mit dem Ausgangsbild zu vergleichen. Die virtuelle Ansicht vereinfacht dieselben Beobachtungen; sie liefert keine zweite unabhängige Bestätigung. Segmentierung ergänzt mit ihrem eigenen Pro-Modell Objektmasken und eine Fahrbahndarstellung. Keine dieser Ansichten erfasst die Straße außerhalb des Kamerasichtfelds vollständig.