質の痛み
一般的なラベリング品質問題には以下が含まれる：1) ラベルの欠落（15%-30%の対象がラベリングされていない） 2) 誤ラベリング（カテゴリの混同） 3) 不正確なフレーム（IOU < 0.7）
品質管理ステップ
- ラベリング前チェック::
- AIによる見かけの一次スクリーニングが可能に
- 信頼度のしきい値を0.6に設定することで、検出/精度の比率のバランスをとる。
- 3段階の審査メカニズム::
- 一次ラベリング：外注業者が基本的なラベリングを行う
- 専門家のレビュー：「統計」機能を使ってカテゴリー別の数字の分布をチェックする
- モデルの検証：逆検証のために、完成したアノテーションを使って単純な分類器をトレーニングする。
- ツールアシストによる最適化::
- 虫眼鏡ツール（ショートカットZ）で境界線を微調整する
- ファジーなターゲットに対するポリゴンラベリング
- 必須表示の設定（例えば、"unknown "クラスは2度チェックする必要がある）
代表的な課題
- オクルード・オブジェクト：可視部分をマークし、"occluded "属性を追加する。
- 小さな目標：ラベルを貼る前に画像を200%に拡大する
- カテゴリーの曖昧さ：細分化されたルールを規定するラベリング・マニュアルの確立
この答えは記事から得たものである。MakeSense：コンピュータビジョンプロジェクトの効率を高める、無料で使える画像注釈ツールについて
無断転載を禁じます：AI生産性ツール " ターゲット検出データセットのアノテーション品質を最適化するには？
