人类司机开车，陌生的路开多了自然就会熟练。
自动驾驶开车，需要大量的学习和训练。
这就离不开提供“训练场地”和素材的庞大数据集。
此前，Waymo 拥有最大的 2D 自动驾驶数据集。
不过现在，华为诺亚方舟实验室联合中山大学发布了新一代 2D 自动驾驶数据集 SODA10M。
比 Waymo 现有的大 10 倍。
包括了 1000 万张无标注图片以及 2 万张带标注图片。
除了大，这个数据集还有什么不同？
数据集从哪里来？
SODA10M 数据集收集了不同城市在不同天气条件、时间段以及位置的场景。
晴天雨天、白天夜晚、城市高速园区……
更重要的是，覆盖面很广。
1000 万张无标注图片来自 32 个城市，囊括了国内大部分地区。
2 万张带标注的图片，直接标出了 6 种主要的人车场景类别，分别是：
Pedestrian、Cyclist、Car、Truck、Tram、Tricycle。
具体是怎么操作的？
华为通过众包方式把采集任务分发给上万名出租车司机。
由出租车司机使用手机或驾驶记录仪（1080P+）采集图片。
你以为随手拍个照片就完事？
还要以每 10 秒一帧的速度，在不同的天气条件下采集图像。
地平线需要保持在图像的中心，遮挡汽车内部不能超过 15%。
对收到的图像还会随机选择其中的 5%，进行手工验证。
合格率低于 95% 将退回。
针对涉及隐私的信息，例如人脸和车牌等都会进行模糊处理。
最大数据集有啥用？
华为用已标注的训练集（2 万张带标注的图片），搞了一场自动驾驶的主流模型的大 pk。
对象是全监督、半监督和自监督学习。
分为训练、验证和测试三个环节。
为了增加难度，最终测试选择的图片是上海白天晴天，而且是城市场景。
在验证这一环节，则包含了多种不同场景下的图片。
最终结果表明，仅仅通过全监督训训练出来的模型取得的效果并不好，全监督训练的结果夜晚与白天的精度差距大。
此外，华为还把 Waymo 自动驾驶数据集、现有的经典自监督算法数据集 ImageNet 拉来，和 SODA10M 的表现进行比较。
从这三项入手：
1、目标检测；
2、BDD100K (伯克利发布的大型开放驾驶视频数据集)；
3、Cityscapes 上的语义分割。
效果如何？
在 Moco 系列（城市景观语义分割），以及基于像素和中间层特征的自监督方法 DetCo, DenseCL 上，SODA10M 自监督训练的效果与 ImageNet 相仿。
两者都明显优于 Waymo。
这也意味着自监督算法上游的数据集大小，对于下游的学习和测试有极大影响。
据华为介绍，建立这个数据集主要是为了通过自监督学习，构建下一代工业级自动驾驶系统的方法。
此前，自动驾驶主要依靠训练过的视觉感知模型进行学习。
这类模型使用大量的数据标注，自动驾驶的安全性得到确保，但弊端也很明显。
自动驾驶系统会对此产生依赖，而且学得很慢。
半监督和自监督学习通过大型数据集，挖掘大量的无标记数据和少量的无标记数据，能够提升学习的鲁棒性。
所以建立一个足够大的数据集，成为了关键。
据悉，华为诺亚方舟实验室将基于这个训练集，开放 2D 自动驾驶挑战赛。
并且会从中评选出 Best Paper Award。
奖金丰厚，感兴趣的朋友或许可以一战。
论文地址：https://arxiv.org/pdf/2106.11118.pdf
数据集：https : //soda-2d.github.io/index.html