Qualität schmerzt
Häufige Qualitätsprobleme bei der Etikettierung sind: 1) fehlende Etiketten (15%-30% nicht etikettierte Objekte) 2) falsche Etikettierung (Verwechslung von Kategorien) 3) ungenaue Rahmen (IOU < 0,7)
Schritte zur Qualitätskontrolle
- Kontrolle vor der Etikettierung::
- Ermöglichung eines KI-gestützten Primärscreenings von Scheinobjekten
- Die Einstellung der Konfidenzschwelle auf 0,6 gleicht das Verhältnis zwischen Erkennung und Genauigkeit aus.
- Dreistufiger Überprüfungsmechanismus::
- Primäre Etikettierung: ausgelagertes Personal führt die grundlegende Etikettierung durch
- Überprüfung durch Experten: Mit der Funktion "Statistik" können Sie die Verteilung der Zahlen nach Kategorien überprüfen.
- Modellvalidierung: Training einfacher Klassifikatoren mit vollständigen Anmerkungen für die umgekehrte Validierung
- Werkzeugunterstützte Optimierung::
- Feinabstimmung des Rahmens mit dem Lupenwerkzeug (Tastaturkürzel Z)
- Polygonbeschriftung für unscharfe Ziele
- Einrichtung einer obligatorischen Kennzeichnung (z. B. muss die Klasse "unbekannt" zweimal geprüft werden)
Typische Themen
- Verdeckte Objekte: Markieren Sie den sichtbaren Teil und fügen Sie das Attribut "verdeckt" hinzu.
- Kleines Ziel: Vergrößern Sie das Bild auf 200%, bevor Sie es beschriften
- Mehrdeutigkeit von Kategorien: Erstellung eines Kennzeichnungshandbuchs zur Festlegung von Unterteilungsregeln
Diese Antwort stammt aus dem ArtikelMakeSense: ein kostenloses Tool für Bildkommentare zur Steigerung der Effizienz von Computer-Vision-ProjektenDie
Darf nicht ohne Genehmigung vervielfältigt werden:KI-Produktivitätswerkzeuge " Wie lässt sich die Qualität der Annotation von Zielerkennungsdatensätzen optimieren?
