算力和 數據是影響深度學習的兩個關鍵因素。在算力滿足的情況下，為了達到更好的效果，我們就需要提供海量優質素材數據給神經網絡，以求訓練出來高精度的網絡模型。在平時的測試過程中，也發現基於深度學習的算法， 素材的數量、 素材的均衡度和 標注的質量對訓練出來的模型精度影響非常大。
常見的算法模型訓練所需要的素材格式主要為：
- 二維圖像文件
- 對應二維圖像中人工標注出來的目標信息，包括目標坐標[(xmin,ymin)(xmax、ymax)]/大小、目標類型(class)
模型訓練的過程就是將上述素材輸入到神經網絡，經過反復迭代優化，以求得到效果最好的通用模型。在實際應用模型的時候，會根據檢測到目標對象輸出坐標/大小、目標類型、置信度。用一種數據類型表示如下：
(xmin,ymin,xmax,ymax,class,score)
可設置一個門限值，通過與score進行比較，過濾掉部分結果
素材標注工具
通過對深度學習的基礎知識學習，我們可以理解深度學習就是通過輸入海量標注素材，不斷調整模型參數去擬合，最終輸出效果較好的模型，再通過輸入非素材中的數據來預測結果，以求達較高的預測准確率和通用性。以下為目前常用的圖像素材標注工具labelImg，標注完成后會生成相應的xml文件，用以標識坐標和類型，如下圖所示：
- 標注工具
- xml文件
標注可能存在的問題
圖像標注時，需要人工標出目標的位置和大小，並給出或選擇目標類型。所以對人工標注是有一定要求的。常見的標注問題如下所示：
- 標注框過大或過小
- 標注框位置不正確
- 標注類型錯誤
- 存在漏標注情況
- 存在過標注情況
- 模糊的目標也進行標注
- 標注分割錯誤問題
- 標注框不完整，存在缺失
因此一個合格的標注應該具備以下因素：
- 標注框大小和位置合適
- 標注框能將目標對象圍住
- 標注框的對象類型准確無誤
- 一個標注框中僅包含一種目標對象類型
標注注意事項
標注框大小合適
標注框大小合適意味着所畫的標注矩形框剛好將目標對象包圍住，對象與標注框間的間隙合適，不能過大也不能過濾。過大會傳遞給網絡不必要的信息，太小傳遞給網絡的信息會存在缺失。
標注框位置合適
位置一般是標注框大小合適，但存在與目標對象存在偏移的情況，如下所示：
目標遮擋時處理
在標注時，不能僅標注完整可見的目標對象，對於人眼可見能分辨的對象也要進行標注，為提高模型通用性，很多遮擋目標也是需要能被模型檢測識別出來的。針對這種情況需要根據具體業務規則進行處理，一般需要遵循的原則如下所示：
- 對象的遮擋面積小於20%~40%，即人眼可視面積為60%~80%需要進行標注
- 對於遮擋的對象，標注時只需要標注可見部分
- 對於遮擋的對象，人眼可以識別出對象類型
標注不能遺漏目標對象
雖然各個算法對小目標的檢測效果有所差異，但對於小目標的目標對象仍然需要進行標注。遵循的原則跟目標遮擋時的處理一樣，只要人眼可以進行分辨，仍然需要進行標注。
標注不能存在過標注情況
不同的業務，對於目標的識別也是不一樣的，如對於Logo侵權這種問題，如國際一些公開通用的Logo則不需要進行標注，如下所示：
針對Logo侵權的目標對象，一般打印體字無需要進行標注，但對於藝術字或單獨設計的字體也是需要進行標注的。
對於非常模糊的目標對象的處理
這種情況一般是被遮擋面積過大、距離太遠或圖像和視頻分辨率很低，導致人眼無法進行分辨，針對這種情況則無需進行標注。
對象分開標注問題
這種情況需要根據業務場景進行區分處理。在平時測試，我所遵循的原則如下所示：
- 背景為純色
- 圖像中的對象可以被分割為一個獨立可識別的對象個體
同時滿足以上兩個條件，則進行單獨標注，否則則當作一個整體進行標注。
標注框不完整
這種情況一般為標注軟件Bug或人工標注出現越界，導致標注框看起來存在部分框缺失。如下所示：
如何提高素材標注質量
從素材的三大關鍵要素（素材數量、素材的均衡度、標注質量）來看，我們可以采用以下方式來保證素材質量
素材數量
在收集數據時，需要盡可能多的從各個渠道多收集素材數據，如合法爬蟲、公開數據集等
素材的均衡度
素材的均衡度通常是指素材的多樣性分布。如視頻里面，由於拍攝的角度不同，出來的素材角度也是不同，如前方、后方、左側、右側等。圖像也是取決於拍攝素材的擺放角度，例如拍攝一件衣服，如正前方，正后方、左側、右側，斜面拍攝，距離遠近等，只有在選擇的素材盡可能的多樣，訓練出來的模型也才有更好的通用性。
標注質量
數據標注和檢查是非常重要的一個環節，需要注意以下幾個方面：
- 1、不要單純追求速度而忽視質量
雖然對於數據的標注，有時間和進度要求，但要結合實際情況找到平衡點，不要單純追求速度，導致標注質量下降，導致日后大量返工
- 2、定期專人對標注素材進行審核
指定專人定期對標注的素材進行審核，可以很大避免在標注過程出現的問題，如標注質量較差，每個人對標注的理解存在差異等。
本文同步在微信訂閱號上發布，如各位小伙伴們喜歡我的文章，也可以關注我的微信訂閱號：woaitest，或掃描下面的二維碼添加關注：
