AI时代 图像标注不要没苦硬吃

识别算法的性能提升依靠大量的图像标注，传统模式下，需要人工对同类型数据集进行一步步手动拉框，这个过程的痛苦只有做过的人才知道。

越多素材的数据集对于算法的提升越有帮助，常规情况下，一个20秒时长30帧的视频就多达两三百张画面需要标注，如果视频时长或者视频的帧速率增加，需要标注的帧画面将会更多。

我们曾试过标注一个时长为1分30秒帧速率为60的视频，需要标注的画面竟然多达5000多张，当我标注到500张的时候，整个人都已经麻木，并且出现情绪波动，望着剩下的4500多张待标注画面，直接头皮发麻，怎么都不想继续了。

长时间一直进行这样的图像标注工作，那无疑是枯燥而乏味的，手酸不说，更多的是精神上的折磨，进而效率大打折扣。但这又是算法提升的必要途径，无法跳过，当项目紧急时，甚至需要多人加班加点赶进度。

这样的痛苦现状急需改变！

慧视光电的算法工程师为了提高这一的效率，开发了一个深度学习算法开发平台SpeedDP。

它的基本逻辑是基于手动标注一定量的数据集进行算法训练，形成一个可用的预选模型（如果已有模型可以直接使用），然后训练一定阶段后，可以评估此模型的能力，如果能够满足使用就可以对相同目标的新数据集（未进行任何标注）进行AI自动化标注。

这一过程的省去了大量需要对新数据集的手动拉框工作，同时也在不断反哺此模型算法，帮助提升性能。

如此反复，工作效率将大大提升。

SpeedDP主要支持YOLO系列目标检测算法，包括YOLOx、YOLOv8、YOLOv10等，目前仍在不断更新升级以满足更多市场需求。