Dores de qualidade
Problemas comuns de qualidade de rotulagem incluem: 1) Rótulos ausentes (15%-30% objetos não rotulados) 2) Rotulagem incorreta (confusão de categorias) 3) Quadros imprecisos (IOU < 0,7)
Etapas do controle de qualidade
- Verificação da pré-rotulagem::
- Possibilitando a triagem primária assistida por IA de objetos aparentes
- Definir o limite de confiança como 0,6 equilibra a taxa de detecção/precisão
- Mecanismo de revisão em três níveis::
- Etiquetagem primária: pessoal terceirizado realiza a etiquetagem básica
- Revisão especializada: usando a função "Stats" para verificar a distribuição de números por categoria
- Validação do modelo: treinamento de classificadores simples com anotações completas para validação reversa
- Otimização assistida por ferramenta::
- Faça o ajuste fino da borda com a ferramenta de lupa (atalho Z)
- Rotulagem de polígonos para alvos difusos
- Configuração de rotulagem obrigatória (por exemplo, a classe "desconhecida" precisa ser verificada duas vezes)
Questões típicas abordadas
- Objetos ocluídos: marque a parte visível e adicione o atributo "occluded" (ocluído).
- Pequena meta: ampliar a imagem para 200% antes de rotulá-la
- Ambiguidade de categoria: estabelecimento de um manual de rotulagem para especificar regras de subdivisão
Essa resposta foi extraída do artigoMakeSense: uma ferramenta de anotação de imagens de uso gratuito para aumentar a eficiência do projeto de visão computacionalO
Não pode ser reproduzido sem permissão:Ferramentas de produtividade de IA " Como otimizar a qualidade da anotação dos conjuntos de dados de detecção de alvos?
