华为云用户手册

Octopus格式文件基本要求（图片标注） 上传的Octopus格式数据集需包含以下文件。 ├─ 时间戳1 ├─时间戳1.jpg #时间戳1对应的已标注图片 ├─时间戳1.json #时间戳1内该标注图片的所有标注信息 ├─ 时间戳2 ├─时间戳2.jpg #时间戳2对应的已标注图片 ├─时间戳2.json #时间戳2内该标注图片的所有标注信息

标注数据.json文件说明 数据集中必含“.json”文件，用于集合该时间戳已标注图片的所有标注数据信息，包括该图片所在的项目id、数据包id、图片上所有标注框信息等。上传数据集前请保证“.json”文件内容正确。“.json”文件编写的参考样例如下： { "frame_id" : 1, #帧序号 "batch_task_id" : 922, #批次任务ID "project_id" : "ca8aabb5a94840ea92f0f57369e3a7fe", #资源域ID "label_mode" : "manual", #标注类型：auto和manual两种 "status" : " labeled ", #标注任务状态：unlabeled、labeled、unconfirmed、confirmed、all五种 "sample_type" : "IMAGE", #样本类型：包含”IMAGE”、”POINT_CLOUD” 、“AUDIO”（音频）、“TEXT”(文本） "des_order" : "", #此份数据对应的原始数据包描述 "tag_names" : [], #标签名称 "valid" : true, #是否有效，包含”true”和”false”两种 "create_time" : 1683185878405, #标注的创建时间 "difficult" : false, #是否难例，包含”true”难例和”false”非难例 "label_counts" : [{ #各类标注物的个数统计 "label_meta_id" : 1848, #标注物使用的标签ID "label_num" : 1, #标注物个数 "label_meta_name" : "V3D0504", #标注物名称 "label_meta_desc" : "V3D0504", #标注物描述 "label_meta_attr" : "{\"优先级\":\"0,1\"}", #标注物额外属性 "label_meta_shape" : "multiBox", #标注物形状，包含”bndbox、line、circle、polygon、points、dashed、cube_3d、multiBox、polygon_3d_v2、audio、text、line_3d、dash_3d、line_dash_3d、dash_line_3d、double_line_3d、double_dash_3d” "label_meta_color" : "#7ed321", #标注物颜色信息 "level" : 0 }, { "label_meta_id" : 1849, "label_num" : 1, "label_meta_name" : "圆0504", "label_meta_desc" : "圆0504", "label_meta_attr" : "{\"优先级\":\"0,1\"}", "label_meta_shape" : "circle", "label_meta_color" : "#417505", "level" : 0 }, { "label_meta_id" : 1845, "label_num" : 3, "label_meta_name" : "线0504", "label_meta_desc" : "线0504", "label_meta_attr" : "{\"优先级\":\"0,1\"}", "label_meta_shape" : "line", "label_meta_color" : "#f5a623", "level" : 0 }, { "label_meta_id" : 1844, "label_num" : 1, "label_meta_name" : "点0504", "label_meta_desc" : "点0504", "label_meta_attr" : "{}", "label_meta_shape" : "points", "label_meta_color" : "#d0021b", "level" : 0 }, { "label_meta_id" : 1846, "label_num" : 1, "label_meta_name" : "框0504", "label_meta_desc" : "框0504", "label_meta_attr" : "{\"优先级\":\"0,1\"}", "label_meta_shape" : "bndbox", "label_meta_color" : "#f8e71c", "level" : 0 }, { "label_meta_id" : 1847, "label_num" : 1, "label_meta_name" : "多边形0504", "label_meta_desc" : "多边形0504", "label_meta_attr" : "{\"优先级\":\"0,1\"}", "label_meta_shape" : "polygon", "label_meta_color" : "#8b572a", "level" : 0 } ], "image_meta_info" : { #图片信息 "id" : "c7686eab-0a38-4b60-a594-67252c0323de", "name" : "hash0-1590980980006.jpg", #图片名称 "source" : "https://octopus-raw-ca8aabb5a94840ea92f0f57369e3a7fe.obs.cn-east-212.hdmap.myhuaweicloud.com/label-data/task-922/data/hash0-1590980980006/hash0-1590980980006.jpg", #图片源的obs路径url "sensor" : "default_camera", #传感器类型 "timestamp" : 1683185878405, #时间戳 "calibration_item_id" : 0, #标定项ID "size" : { #图片尺寸 "width" : 1920, "depth" : 3, "height" : 1080 } }, "label_task_id" : 21376, #批次子任务ID "partitionId" : 20220826, "label_update_time" : 1683187695480, #标注最近更新时间 "prefix_folder" : "hash0-1590980980006", "image_id" : "9f853814-f40e-4b73-80e1-df67696f8f46", #图片id "inspection" : 0, "labels" : [ #标注物信息 { "label_meta_id" : 1844, #标注物对应的标签ID "create_time" : 1683187362541, "name" : "点0504", #标注物名称 "shape_type" : "points", #标注物形状：点 "serial_number" : 0, #该帧中标注物唯一自增id "label_object_id" : 0, #标注物合成对象的唯一自增id，如果标注物之间没有合成则与 serial_number保持一致，追踪任务中同一物体在不同帧中此字段相同 "attribute" : "", #标注物属性 "label_meta_name" : "点0504", "points" : { #点的坐标信息 "size" : 1, "points" : [{ "xpoint" : 1233.4807, "ypoint" : 689.4183 } ] } }, { "label_meta_id" : 1845, "create_time" : 1683187374024, "line" : { #线的坐标信息 "size" : 4, "points" : [{ "xpoint" : 901.138, "ypoint" : 553.583 }, { "xpoint" : 731.36, "ypoint" : 630.367 }, { "xpoint" : 618.153, "ypoint" : 681.566 }, { "xpoint" : 360.516, "ypoint" : 798.086 } ] }, "name" : "线0504", "shape_type" : "line", #标注物形状:线 "serial_number" : 1, "label_object_id" : 1, "attribute" : "{\"优先级\":\"1\"}", "label_meta_name" : "线0504" }, { "label_meta_id" : 1846, "create_time" : 1683187387330, "bndbox" : { #矩形框坐标信息 "ymin" : 545.4334, "xmin" : 1158.3188, "ymax" : 705.71844, "xmax" : 1436.3274 }, "name" : "框0504", "shape_type" : "bndbox", #标注物形状:矩形框 "serial_number" : 2, "label_object_id" : 2, "attribute" : "{\"优先级\":\"1\"}", "label_meta_name" : "框0504" }, { "label_meta_id" : 1847, "create_time" : 1683187417245, "polygon" : { #多边形的坐标信息 "size" : 3, "points" : [{ "xpoint" : 135.03, "ypoint" : 482.94937 }, { "xpoint" : 84.318344, "ypoint" : 554.4891 }, { "xpoint" : 135.03, "ypoint" : 482.94937 } ] }, "name" : "多边形0504", "shape_type" : "polygon", #标注物形状：多边形 "serial_number" : 3, "label_object_id" : 3, "attribute" : "{\"优先级\":\"1\"}", "label_meta_name" : "多边形0504" }, { "label_meta_id" : 1848, "create_time" : 1683187426497, "multiBox" : { #2.5D框的坐标信息 "size" : 10, "points" : [{ "xpoint" : 475.06976, "ypoint" : 645.49835 }, { "xpoint" : 602.3017, "ypoint" : 645.49835 }, { "xpoint" : 602.3017, "ypoint" : 537.2833 }, { "xpoint" : 475.06976, "ypoint" : 537.2833 }, { "xpoint" : 475.06976, "ypoint" : 645.49835 }, { "xpoint" : 664.7857, "ypoint" : 632.3677 }, { "xpoint" : 664.7857, "ypoint" : 537.2833 }, { "xpoint" : 602.3017, "ypoint" : 537.2833 }, { "xpoint" : 602.3017, "ypoint" : 645.49835 }, { "xpoint" : 664.7857, "ypoint" : 632.3677 } ] }, "name" : "V3D0504", "shape_type" : "multiBox", #标注物形状：2.5D "serial_number" : 4, "label_object_id" : 4, "attribute" : "{\"优先级\":\"1\"}", "label_meta_name" : "V3D0504" }, { "label_meta_id" : 1849, "create_time" : 1683187565067, "name" : "圆0504", "shape_type" : "circle", #标注物形状：圆 "serial_number" : 5, "label_object_id" : 5, "attribute" : "{\"优先级\":\"1\"}", "label_meta_name" : "圆0504", "circle" : { #圆的坐标信息 "xcenter" : 795.6399, "ycenter" : 554.03625, "radius" : 31.255125 } } ] }

修饰器 position 用途：设定动作主体actor 所处的车道.可以修饰初始动作assign_init_position . 参数： 表1 position参数 Parameter Type Mandatory Description distance length no A target length value including a length unit. The distance is calculated using the route-based s-coordinate. ahead_of entity no specified by the lane-parameter. behind entity no When behind is specified, the actor must be behind the entity by the specified value. 代码样例 cut_in_vehicle.assign_init_position() with: lane(lane: raletive_lane_id, side_of: ego, side: left) position(distance: 85.0m, behind: ego) 父主题： 修饰器 Modifiers

odr_point 定义：ASAM OpenDRIVE坐标系中的位置点（point）. 用途：设置实体位置，用于构成pose_3d. 参数：参数如下表. 表1 odr_point参数 Parameter Type Mandatory Description road_id string yes ASAM OpenDRIVE identifier for the road lane_id string yes ASAM OpenDRIVE identifier for the lane s length yes Coordinate along the ASAM OpenDRIVE s-axis t length yes Coordinate along the ASAM OpenDRIVE t-axis, the t-coordinate is measured from the lane centerline keep创建 my_odr: odr_point with: keep(it.road_id == '1') keep(it.lane_id == '-2') keep(it.s == 3.0m) keep(it.t == 0.0m) create创建 my_odr: odr_point = map.create_odr_point(road_id: '1',lane_id:'-2',s: 3.0m, t: 0.0m) 父主题： Struct

Planning_trajectory stamp_secs: 1617336640 stamp_nsecs: 809739351 timestamp: 1617336640809 trajectory_points { x: -151.27487182617188 y: 486.55096435546875 theta: 0.0023324606008827686 kappa: -0.0017824547830969095 } trajectory_points { x: -151.21182250976562 y: 486.5510559082031 theta: 0.0022713469807058573 kappa: -0.0017127590253949165 } ......

Routing_path timestamp: 1630057162125 stamp_secs: 1630057162 stamp_nsecs: 125769156 routing_path_info { id: 1 path_point { x: -203.34230041503906 y: 125.63516998291016 z: -0.5 } path_point { x: -203.34915161132812 y: 125.72517395019531 z: -0.5 }......}

Traffic_light_info timestamp: 1630057508000 stamp_secs: 1630057508 lights { id: 1 color: 1 location_x: -206.60186767578125 location_y: 459.9820861816406 location_z: 3.0 } lights { id: 2 color: 2 location_x: -74.1282958984375 location_y: 484.984619140625 location_z: 4.0 } lights { id: 3 color: 3 location_x: 59.96036911010742 location_y: 473.6038513183594 location_z: 5.0 }

Vehicle vehicle_info { stamp_secs: 1604996332 stamp_nsecs: 847945211 autonomy_status: 0 gear_value: 4 vehicle_speed: 43.93000030517578 steering_angle: 0.699999988079071 yaw_rate: 0.0 interior_temperature: 0.0 outside_temperature: 0.0 brake: 0.0 timestamp: 1604996332847 turn_left_light: 0 turn_right_light: 0 longitude_acc: -0.03125 lateral_acc: 0.0 }

Object_array_vision tracked_object { timestamp: 1604996332862 stamp_secs: 1604996332 stamp_nsecs: 862911489 objects { id: 26175 label: "Car" pose_position_x: 1154.59912109375 pose_position_y: -496.5350646972656 pose_position_z: -1.8222997188568115 pose_orientation_z: 0.714431643486023 pose_orientation_w: 0.6997052431106567 pose_orientation_yaw: 1.5916229486465454 dimensions_x: 4.513162136077881 dimensions_y: 1.7747581005096436 dimensions_z: 1.628068208694458 speed_vector_linear_x: 0.012852923013269901 speed_vector_linear_y: -9.972732543945312 relative_position_x: -17.48011016845703 relative_position_y: 10.685434341430664 relative_position_z: -0.17673441767692566 } objects { id: 26170 label: "Pedestrian" pose_position_x: 1180.902099609375 pose_position_y: -504.7625732421875 pose_position_z: -1.3601081371307373 pose_orientation_z: -0.7057344317436218 pose_orientation_w: 0.7084764242172241 pose_orientation_yaw: -1.5669186115264893 dimensions_x: 0.7922295331954956 dimensions_y: 0.7891787886619568 dimensions_z: 1.6868246793746948 speed_vector_linear_x: 0.13573257625102997 speed_vector_linear_y: 1.5281875133514404 relative_position_x: -25.306795120239258 relative_position_y: -15.737456321716309 relative_position_z: 0.39350399374961853 } objects { id: 26169 label: "Pedestrian" pose_position_x: 1175.647216796875 pose_position_y: -506.730712890625 pose_position_z: -1.569373607635498 pose_orientation_z: 0.6943609118461609 pose_orientation_w: 0.7196269631385803 pose_orientation_yaw: 1.5350627899169922 dimensions_x: 0.8029457330703735 dimensions_y: 0.7876891493797302 dimensions_z: 1.6028095483779907 speed_vector_linear_x: 0.06551000475883484 speed_vector_linear_y: 0.0022428608499467373 relative_position_x: -27.355571746826172 relative_position_y: -10.512933731079102 relative_position_z: 0.19844147562980652 } objects { id: 26168 label: "Pedestrian" pose_position_x: 1173.3189697265625 pose_position_y: -507.2300109863281 pose_position_z: -1.6026556491851807 pose_orientation_z: 0.717462956905365 pose_orientation_w: 0.6965966820716858 pose_orientation_yaw: 1.600306749343872 dimensions_x: 0.7922430038452148 dimensions_y: 0.7811086177825928 dimensions_z: 1.6341478824615479 speed_vector_linear_x: -0.04817964881658554 speed_vector_linear_y: -0.21502695977687836 relative_position_x: -27.89008903503418 relative_position_y: -8.192517280578613 relative_position_z: 0.16775710880756378 } objects { id: 26155 label: "Bus" pose_position_x: 1172.106689453125 pose_position_y: -478.5303039550781 pose_position_z: -0.48812994360923767 pose_orientation_z: -0.7203028798103333 pose_orientation_w: 0.6936596632003784 pose_orientation_yaw: -1.6084778308868408 dimensions_x: 11.322981834411621 dimensions_y: 2.9294095039367676 dimensions_z: 3.1415622234344482 speed_vector_linear_x: -0.017722932621836662 speed_vector_linear_y: 0.1302066147327423 relative_position_x: 0.7977913022041321 relative_position_y: -6.548437118530273 relative_position_z: 0.9966707229614258 } objects { id: 26153 label: "Bus" pose_position_x: 1148.1876220703125 pose_position_y: -490.8350524902344 pose_position_z: -0.954763650894165 pose_orientation_z: 0.6907882690429688 pose_orientation_w: 0.7230570912361145 pose_orientation_yaw: 1.5251574516296387 dimensions_x: 10.779899597167969 dimensions_y: 2.856076717376709 dimensions_z: 2.811084508895874 speed_vector_linear_x: 0.03153659775853157 speed_vector_linear_y: 0.23439916968345642 relative_position_x: -11.868709564208984 relative_position_y: 17.1827335357666 relative_position_z: 0.6278138756752014 } objects { id: 26141 label: "Bus" pose_position_x: 1171.7779541015625 pose_position_y: -512.5936889648438 pose_position_z: -0.9443151354789734 pose_orientation_z: -0.7186583876609802 pose_orientation_w: 0.6953632831573486 pose_orientation_yaw: -1.6037421226501465 dimensions_x: 10.841312408447266 dimensions_y: 2.9661808013916016 dimensions_z: 3.2250704765319824 speed_vector_linear_x: 0.0513402484357357 speed_vector_linear_y: 0.006104861851781607 relative_position_x: -33.26952362060547 relative_position_y: -6.731308937072754 relative_position_z: 0.8776476979255676 } objects { id: 26133 label: "Bus" pose_position_x: 1146.657958984375 pose_position_y: -508.7508239746094 pose_position_z: -0.883571445941925 pose_orientation_z: 0.7007946968078613 pose_orientation_w: 0.713362991809845 pose_orientation_yaw: 1.5530219078063965 dimensions_x: 12.186415672302246 dimensions_y: 2.824420690536499 dimensions_z: 3.292656183242798 speed_vector_linear_x: 0.005901232361793518 speed_vector_linear_y: 0.013970088213682175 relative_position_x: -29.803848266601562 relative_position_y: 18.443498611450195 relative_position_z: 0.8749525547027588 } objects { id: 26120 label: "Bus" pose_position_x: 1170.993408203125 pose_position_y: -525.5801391601562 pose_position_z: -1.104852318763733 pose_orientation_z: -0.7154129147529602 pose_orientation_w: 0.6987019181251526 pose_orientation_yaw: -1.5944297313690186 dimensions_x: 10.749905586242676 dimensions_y: 2.7170863151550293 dimensions_z: 3.0421104431152344 speed_vector_linear_x: 0.016746148467063904 speed_vector_linear_y: -0.23609620332717896 relative_position_x: -46.26727294921875 relative_position_y: -6.141877174377441 relative_position_z: 0.8449855446815491 } }

Tag_record segments { scenario_id: 100000000 source: "takeover" start: 1617336642300 end: 1617336652300 } segments { scenario_id: 100000000 source: "vehicle" start: 1617336672300 end: 1617336692300 }

Predicted_objects stamp_secs: 1617336640 stamp_nsecs: 971891550 timestamp: 1617336640971 obstacle_info { obstacle_timestamp: 1617336640699 id: 6711 x: -123.08731842041016 y: 486.83221435546875 z: 0.575542688369751 prediction_trajectory { path_point { x: -103.26817321777344 y: 486.0815734863281 theta: -0.007839304395020008 v: 4.405668258666992 relative_time: 4.5 } path_point { x: -102.82765197753906 y: 486.0737609863281 theta: -0.00746726430952549 v: 4.405668258666992 relative_time: 4.599999904632568 } ...... } } obstacle_info { obstacle_timestamp: 1617336640699 id: 6744 x: -145.0320587158203 y: 491.35015869140625 z: -0.40381166338920593 prediction_trajectory { path_point { x: -145.0320587158203 y: 491.35015869140625 theta: -2.9442124366760254 v: 1.0038001537322998 } path_point { x: -145.1304931640625 y: 491.3304748535156 theta: -2.9442124366760254 v: 1.0038001537322998 relative_time: 0.10000000149011612 } ...... } } obstacle_info { obstacle_timestamp: 1617336640699 id: 6760 x: -138.3047332763672 y: 489.9286193847656 z: -0.12651222944259644 }

Ego_tf localization_info { timestamp: 1604996332855 stamp_secs: 1604996332 stamp_nsecs: 855301408 pose_position_x: 1165.5460205078125 pose_position_y: -479.2198486328125 pose_position_z: -1.48505699634552 pose_orientation_x: 0.003883248195052147 pose_orientation_y: -0.0031167068518698215 pose_orientation_z: 0.7017714977264404 pose_orientation_w: 0.7123847603797913 pose_orientation_yaw: 1.5557808876037598 velocity_linear: 12.21684455871582 velocity_angular: 0.014540454372763634 acceleration_linear: 0.23571151494979858 acceleration_angular： 0.0 }

与数据包同名的yaml配置文件说明 数据包中必须含有与数据包同名的yaml配置文件主要包括车辆名称、传感器信息和标定ID等信息，详情参考如下： # 华为八爪鱼自动驾驶云服务数据采集说明 project: '项目名称' module: '感知' cardrive: collect_time: 2020-11-01T08:00:00+08:00 #数据包采集日期，精确到小时即可 station: '腾飞' #选填 数据采集地点名称，站点名称 car: vehicle_name: 'test' #车辆名称，仅支持在八爪鱼平台创建的车辆 route: 'shuttlebus_30km' #选填 车辆行驶路线 speed：10km/h #选填 车速 mode: 'auto' #选填 路线驾驶意图, auto代表自动驾驶, manual代表人工驾驶采集 tags: ['主车直行','主车倒车'] #选填 标签，标签个数不超过50个 例：沙尘天，正向设计，驾驶模式 description: '强风沙天,车辆空载在排土区自动驾驶到接土区前等待长坡道' #选填 车载情况 segments: #选填 数据包场景片段 - tags: ['晴天','直行'] time: 2021-08-27T11:43:07~2021-08-27T11:43:47 data_type: Rosbag #必填 数据类型 map_id: MAP1134 #选填，高精地图ID，字符串类型，配备后才可在回放数据界面展示高精地图信息。 preprocessor: #转OpenData算子信息 id: 10105 # 算子id resource_spec: 4Core_8GiB # 资源规格

资源占用情况 在任务运行中，资源占用情况模块显示任务占用的CPU、内存、GPU/显存利用率、占用率百分比的折线图。默认显示CPU占用情况折线图。 图7 资源占用情况 双击任一图例：显示全部资源占用折线图。 单击指定图例：只显示该图例折线图。 此模块也可显示多个计算节点运行任务时，资源占用的情况。 如果选择2个计算节点运行任务，则可选择查看单个节点资源占用情况。 如果1个计算节点上存在多张GPU，则会显示所有GPU占用情况。 资源占用情况功能模块，需要用户在制作自定义镜像时安装psutil与pynvml，参考命令如下： pip install psutil pynvml 如果未安装psutil与pynvml，则页面无法显示资源使用状况。

训练任务相关操作 在“训练任务”列表，可对训练任务进行以下操作： 表1 训练任务相关操作 任务 操作步骤 查找任务 在搜索输入框中输入搜索条件，按回车键即可查询。 查看任务详情 单击任务名称，可在任务详情页查看该任务详情、参数信息、任务日志和资源占用情况。 任务详情：任务ID、名称、描述、状态、资源类型等信息。 参数详情：训练算法参数以及环境变量信息。 任务日志：任务运行过程中生成的日志信息，详情请查看训练任务日志查看和下载。 资源占用情况：显示任务占用的CPU、内存、GPU（显存）利用率、占用率等指标百分比折线图，详情请查看资源占用情况。 删除任务 单击操作栏的“删除”，删除单个任务。 勾选多个任务，单击列表上方的“删除”，可批量删除任务。 创建新任务 单击操作栏内的“创建新任务”，输入新任务名称（“任务组名-自定义名称”）和“删除原有任务”选项，创建新任务时可调整训练参数，如资源规格、训练数据集、参数列表和模型仓库。 停止任务 对于运行中、等待中的任务，用户可以单击操作栏的“停止”终止任务。 训练任务相关操作与任务所处状态约束关系请见下表： 表2 训练任务相关操作与任务所处状态约束 作业状态 创建新任务 删除 停止 排队中 - √ √ 提交中 - - - 提交失败 √ √ - 运行中 - - √ 运行异常 √ √ - 已完成 √ √ - 停止中 - - - 停止失败 - √ - 已停止 √ √ - 删除中 - - - 删除失败 - √ -

训练任务日志查看和下载 训练任务运行的过程中生成日志，训练任务模块提供了日志的查看以及下载功能，支持用户查看训练任务的运行情况。训练任务生成的日志文件有以下四种： train-{id}-{index}.log：用户实际训练任务的训练日志。 train-{id}-{index}-init.log：Octopus平台提供的前置数据的准备日志。 train-{id}-{index}-sidecar.log：Octopus平台提供的任务流程控制日志，包括日志同步、结果上传。 octopus-train-{id}-{index}-supplemental.logs: Octopus平台任务异常退出或停止产生的错误信息输出日志，运行正常时不产生该日志。 {id}为该训练任务ID，{index}为节点编号，例如单节点single-0，多节点distributed-0 distributed-1。 详情页，单击“任务日志”，可查看该训练任务日志详情。支持在线浏览或下载至本地。如果日志较多，用户可在搜索框中输入关键字，查找指定日志内容。 图6，在日志服务页面中的日志列表部分详细展示了该训练任务包含的日志文件的大小以及最近写入时间。单击文件后的“查看”，算法训练的详细执行过程会在日志详情部分展示。用户也可在日志文件后的“操作”栏中，单击“下载”，即可将该日志文件下载到本地查看。 图6 日志文件

绘制对象 单击车道线标注任务，选择一张图片进入人工标注。 绘制对象。 单击左侧工具栏实线（快捷键2，非小键盘），进入绘制折线模式。 图2 绘制对象 选择标注名称。 标注下拉列表页选择一标注名，进入标注状态。 图3 选择标注名称 绘制折线。 通过鼠标左键单击添加线段上的点，鼠标左键双击闭合该线段。未闭合状态可通过alt+z撤销上一个绘制的点。闭合状态下选中线段上的某点可通过“alt+鼠标左键”或“alt+v”删除该点。绘制过程中可通过鼠标左键拖动图片。 修改折线。 鼠标左键选中线段上某点可拖动修改点的位置。shift+z可撤销上一步操作。 修改类别。 右键单击目标图形，可进入选择类别的跳出框，即可修改类别。 修改额外属性。 右键单击目标图形，如果目标含有额外属性，如果其默认属性错误，单击即可选择属性。 修改对象ID。 右键单击目标图形，可以在对象ID栏手动输入数值来修改ID。

导出数据集 单击数据集列表操作栏的“导出”。 选择数据目的地。 图1 数据目的地 数据目的地：默认选择OBS。 访问密钥：请输入访问密钥（AK）。 私有访问密钥：请输入私有访问密钥（SK）。 OBS目录：请指定数据集导出后存放的目录。 访问密钥ID（AK）和私有访问密钥（SK），在导入数据时，通过AK识别访问用户的身份，通过SK对请求数据进行签名验证，用于确保请求的机密性、完整性和请求者身份的正确性。如何获取访问密钥AK/SK？ 输入的访问密钥和私有访问密钥需要具有OBS服务如下权限： obs:object:GetObject obs:object:PutObject obs:bucket:ListAllMyBuckets obs:bucket:ListBucket 查看用户拥有的OBS服务权限，可参考如何查看用户拥有的权限？ 单击“确认”，等待数据集导出。 查看导出的数据集。 单击“导出任务”页面，即可看到导出任务，可对任务进行删除操作。 在指定的OBS桶中（如“Octopus-beijing1”）可以看到下载的数据集文件夹目录，将包含该数据集的全部文件。 图2 OBS桶 导出的数据集文件目录结构可参考如下（包含图片标注）： ├─{数据集名称}_{时间戳} ├─ data ├─ 帧目录名称1 ├─图片名称1.jpg #对应的已标注图片 ├─帧目录名称1.json #该标注图片的所有标注信息 ├─帧目录名称2 ├─图片名称2.jpg #对应的已标注图片 ├─帧目录名称2.json #该标注图片的所有标注信息 … ├─ meta └─ label_meta_infos.json #该数据集所有标注物信息 导出的数据集文件目录结构（点云标注类型）： ├─{数据集名称}_{时间戳} ├─ data ├─帧目录名称1 ├─点云名称1.pcd #对应的已标注点云 ├─图片名称1.jpg #该点云图像对应的已标注图片 ├─帧目录名称1.json #该标注点云的所有标注信息 ├─帧目录名称2 ├─点云名称2.pcd #对应的已标注点云 ├─图片名称2.jpg #该点云图像对应的已标注图片 ├─帧目录名称2.json #该标注点云的所有标注信息 … ├─ meta └─ label_meta_infos.json #该数据集所有标注物信息

种子地图的逻辑场景样例（仿真器A） 配合静态场景的种子场景，在本节提供了对应的适配仿真器A的逻辑场景样例.同样，考虑到仿真器A的支持程度，建议在转换时选择osc1.0版本. 使用仿真器A打开osc1.0场景时，由于编辑器显示问题，车辆会在道路初始位置重叠，但这不会影响场景运行，运行场景后车辆会从场景文件设置的初始位置开始行驶. straight merge split junction one way junction 基于样例的拓展 父主题： 动静态配套样例

压实线（Onto Solid line)检测 压实线检测的目的是判断主车行使过程中是否压到实线。 当主车与距离最近的车道线的小于主车宽度的一半时，并且该车道线的类型为OSI定义的osi3.LaneBoundary.classification.type.TYPESOLIDLINE，则认为主车的轮胎已经压到实线。 该指标关联的内置可视化时间序列数据为：暂无。 该指标的异常时间点记录类型为：POINT_TYPE_POINT。 父主题： 内置评测指标说明

关联题库 每个标注项目均可关联题库以及考试，课程或考试需在培训考试系统中创建完成，具体可参考培训考试。 进入项目详情页，单击“关联题库”页签； 单击“关联题库”或“关联考试”，选择“课程名称”或“考试名称”以及“职能”； 单击“确认”，课程或考试添加成功。 编辑题库 可单击操作栏的“编辑”，编辑职能。 解绑题库或考试 可单击操作栏的“解绑”，解绑题库或考试。 查看题库或考试详情 单击题库或考试名称，可查看题库或考试详情。

人员详情 标注平台统计承包标注项目的标注团队中所有标注员和审核员的累计工作量情况，如累计工作时长、提交任务数量等。管理员可单击箭头升序或降序排列，查看标注员和审核员的完成情况排序，也可以筛选时间，展示特定时间段内标注员、审核员（初审员/终审员）的任务累计完成情况。标注平台从帧数、标注框或对象三个维度统计累计提交任务数、累计工作时长、累计确认数、平均耗时五个指标，衡量标注员、审核员（初审员/终审员）的任务完成情况。 人员详情模块的展示根据项目任务流程有所裁剪。（标注员统计、初审员统计、终审员统计） 累计确认框数：标注员、初审员、终审员提交任务中确认有效框数的数量以及返修环节中新增的有效框数之和。 返修后有效框数变更会在重新提交任务时刷新。 累计提交任务数：标注员、初审员、终审员认领并提交的任务数量。 如果提交的任务，被下一步流程操作员退回时，则此任务不计入累计提交任务数。 累计重标注任务数：标注员重标注的任务次数。如果某任务返修多次，则累计重标注任务数叠加，累计提交任务数不变（只有标注员统计重标注任务）。 累计工作时长：标注员累计标注总时长、初审员累计初审总时长、终审员累计终审总时长，包含各自返修时长。 返修后有效帧变更为无效帧，累计时长会减去无效帧时间。无效帧变更为有效帧，累计时长会加上有效帧时间。 平均单框耗时：平均单帧标注/初审/终审的时间，计算方式为：累计工作时长/累计确认有效数。

项目概览 项目概览包括项目信息、项目今日状态以及项目相关数据图表统计，管理员可以快速掌握项目当前进度。 项目信息：项目名称、项目标注团队、项目预计结束时间、项目累计通过验收任务数以及累计通过验收帧数、总时长等信息。 图1 项目信息 今日状态统计：与昨日相比，今日项目中标注任务数量、审核、验收、交付任务数量及变化。绿色箭头表示上升，红色箭头表示下降。 图2 今日状态统计 审核/验收任务：待审核添加待预初审及待预终审，审核中添加预初审，预终审。不统计添加重预（初终）审。 统计数值只显示项目任务流程包含的流程数值，如果流程中不包含，则用“--”代替数值。 项目任务流程：展示当前项目的流程。 图3 项目任务流程 项目相关数据图表统计：为便于管理员快速掌握项目进展情况，平台实时统计标注项目中相关重要数据量变化并将其制作成图表。管理者可通过图表中图形的变化了解当前项目进程。可设置时间范围，查询指定时间段内项目重要指标变化情况。目前为以下五种图表，图标的展示根据项目任务流程有所裁剪： 标注帧数统计：平台统计标注任务从任务下发、任务标注提交、重标注数这几个标注任务常见环节中数量变化，并以帧为单位绘制成图表。 图4 标注帧数统计 项目参与人数：标注员认领任务后，进行标注并保存任务进度，被平台视为参与该项目。同样，审核员认领审核任务进行审核并保存任务进度，被平台视为参与该项目。平台统计参与项目的标注员和审核员人数，并绘制成图表。 图5 项目参与人数 平均标注效率：标注平台实时统计项目标注速度变化情况，支持按帧数、框数或对象数查看。 图6 平均标注效率 标注工作时长为标注工作花费的总时长（实时统计）。 按帧查看时 ：标注速度=累计已提交任务的标注工作时长/总帧数。按对象查看：标注速度=累计已提交任务的标注工作时长/总对象数。按框查看：标注速度=累计已提交任务的标注工作时长/总框数。 鼠标静止时间大于等于5分钟，静止时间不计入标注工作时长内。 单日标注修改帧数：统计当日项目中所有标注员提交的标注任务总帧数。 图7 单日标注修改帧数 单日重标注任务数：根据项目流程，如果已提交的标注任务不满足下一步流程操作员的通过标准，操作员将其打回给标注员进行重标注，图表统计每天处于重标注状态的任务，同一任务单日多次被退回至重标注，不重复统计。 图8 单日重标注任务数

标签管理相关操作 在“标签管理”页面，还可以完成以下操作。 表1 标签管理相关操作 任务 操作步骤 修改标签 单击标签后 ，修改标签描述 和仿真标签。 说明： 内置标签不允许修改。 当场景标签关联仿真标签之后，生成的仿真场景推送到仿真场景库，会自带场景标签。 删除标签或分类 单击标签或分类后的 ，可删除指定标签或分类。 说明： 如果标签在使用中时，则该标签不可删除。 查看标签 单击标签后，可查看标签详情。 搜索标签 在搜索输入框中输入搜索条件，按回车键即可查询。

简介 评测算法从驾驶安全性，智能性，合规性，舒适性等维度对自动驾驶系统进行全面评价。评测指标的pass/fail标准比较复杂，需要对一些评测函数的细节进行介绍。 point_type：是一个PointType的枚举类型，表示该子类指标发生特殊状态（一般是指发生异常）时的时刻点用哪种形式存储起来。目前Octopus使用的PointType共有以下4种类型： 表1 PointType类型 类型 说明 POINT_TYPE_POINT 表示该子类指标的异常时间点是离散的时间点形式，在任何时刻都可能发生异常。 POINT_TYPE_REGION 表示该子类指标的异常时间点是区间形式，一旦在某个时刻开始发生异常，则在随后一段时间内都会处于异常状态。 POINT_TYPE_ALL 表示该类指标的异常时间点是布尔形式的，从仿真开始到当前时刻的状态要么是完全通过，要么全过程都是异常的，统计类型的指标需要以这种形式表示。 POINT_TYPE_NORMAL 该类型与其他类型相反，如果该类型的点存在，则表示对应的子类指标是通过的，Octopus用该类型保存主车到达终点的时间值。 父主题： 内置评测指标说明

创建镜像仓库 用平台管理员账号登录Octopus平台。 在左侧菜单栏中，单击“镜像仓库 ”。 单击“新建”，填写基本信息。 图1 创建镜像仓库 名称：输入镜像仓库的名称，只能包含数字、英文、中文、下划线、中划线。 用途：根据需求，下拉框选择用途。 描述：简单描述镜像仓库，最大长度为255。 使用范围：仅支持团队，即租户内所有配置了该镜像相关权限的用户都可见可编辑。 单击“确定”，在镜像仓库列表即可查看新建的镜像仓库。

OCTPS_DATASET_DIR 预标注任务 OCTPS_DATASET_DIR 为待标注的数据路径，示例：/tmp/label/task-2022/source/data。每一帧数据存放在单独的子文件夹，文件组织结构如下所示。 2D数据帧文件组织结构： OCTPS_DATASET_DIR/XX/…/XX/├─子文件夹1 ├─图片1.jpg #标注图片 ├─标注1.json #图片1的标注信息，非必有 ├─子文件夹2 ├─图片2.jpg #标注图片 ├─标注2.json #图片2的标注信息，非必有 3D数据帧文件组织结构： OCTPS_DATASET_DIR/XX/…/XX/├─子文件夹1 ├─点云1.pcd #已标注点云 ├─图片1.jpg #点云1对应的同时刻图片，非必有 ├─标注1.json #点云1的标注信息，非必有 ├─子文件夹2 ├─点云2.pcd #已标注点云 ├─图片2.jpg #点云2对应的同时刻图片，非必有 ├─标注2.json #点云2的所有标注信息，非必有 注：“XX/…/XX/”部分存在嵌套多个文件夹的情况，具体嵌套层数和上传的数据集目录结构有关系。 预审核任务 OCTPS_DATASET_DIR 为待审核的全量数据路径，示例：/tmp/label/task-2022/source/data。每一帧数据存放在单独的子文件夹，文件组织结构如下所示。 2D数据帧文件组织结构： OCTPS_DATASET_DIR/├─子文件夹1 ├─图片1.jpg #已标注图片 ├─labels.json #图片1的所有标注信息 ├─子文件夹2 ├─图片2.jpg #已标注图片 ├─labels.json #图片2的所有标注信息 3D数据帧文件组织结构： OCTPS_DATASET_DIR/├─子文件夹1 ├─点云1.pcd #已标注点云 ├─图片1.jpg #点云1对应的同时刻图片 ├─labels.json #点云1的所有标注信息 ├─子文件夹2 ├─点云2.pcd #已标注点云 ├─图片2.jpg #点云2对应的同时刻图片 ├─labels.json #点云2的所有标注信息 每帧数据的标注结果存放在lables.json中，具体格式及内容说明参考Octopus数据集格式说明中的labels字段。

OCTPS_META_PATH OCTPS_META_PATH为标注物文件路径，示例：/tmp/label/task-2022/source/meta/label_meta_infos.json。标签文件中包含了当前任务所选择的所有标注物的基本信息。预标注结果中每个标注对象所需的标注物id，可通过此文件中的id字段获取。标注物文件内容示例如下。 [ { "id": 2085, # 平台上所建标注物的ID "name": "Car", # 平台上所建标注物的名称 "color": "#d0021b", "label_shape_type": "bndbox", "attribute": "{}", "description": "car", ... ... } … … ]

OCTPS_INSPECTION_ATTRI_DIR OCTPS_INSPECTION_ATTRI_DIR为审核属性字段文件路径，示例：/tmp/…/attribute/inspection_attribute.json。文件内容示例如下： { "inspection": { "miss_label_error": false, #漏标 "vehicle_direction_error": false, #车头方向错误 "error_desc": "", "attribute_error": false, #属性错误 "out_range_label_error": false, #未贴合 "anchor_error": false, #锚点错误 "classification_error": false, #类别错误 "extra_label_error": false #多标 } }

TARGET_RESULT_DIR TARGET_RESULT_DIR 为存放预标注/预审核结果的路径，示例：/tmp/label/task-2022/result/data。预标注/预审核结果按照特定格式保存在json 文件中。3D数据帧中json文件的路径及命名和点云文件保持一致，2D数据帧中json文件的路径及命名和图片文件保持一致。以上述2D数据帧为例，结果文件组织结构如下所示： TARGET_RESULT_DIR /XX/…/XX/├─子文件夹1 ├─图片1.json #图片1的结果信息 ├─子文件夹2 ├─图片2.json #图片2的结果信息 注：“XX/…/XX/子文件夹i/”路径和待处理数据集（OCTPS_DATASET_DIR）中的此部分路径保持一致。