大量復雜、亂序的圖片依次標注效率極低，如果一次可以標注一大片的圖片將極大地提升標注效率。
自動分組識別並提取圖像特征，通過ModelArts先進的聚類算法可以將所有圖片分組：將特征相似的圖片歸為一類，將特征差別大的圖片群分離。
在花朵識別項目中，需對大量無標注的花朵圖片進行標注，依次亂序標注蒲公英、郁金香、向日葵等將耗費大量寶貴時間
分組標注場景
啟動自動分組，我們事先知道花朵數據集中存在5個類別，為他們分組6類（聚類算法不能保證一定將5類別完全區分出來，需更細化地分組，於是往往分組數需大於實際類別數）：
過約3分鍾后，通過篩選條件，我們可以得到自動分組的結果，如第1類幾乎都是郁金香的圖片，第3類幾乎都是蒲公英的圖片。
第1類
第3類
於是選擇當前頁 -> 輸入蒲公英 ，即可直接對他們一次性進行標注。
當然並不是每個組都是完美的，如一個組中大多都是向日葵，但還夾雜着非洲菊 。此時選擇當前頁后，去掉相應非向日葵圖片左上角的勾即可：
數據過濾場景
現實中的真實圖像數據量少，往往無法滿足深度學習網絡訓練數據量的要求，於是開發者們一般選擇網絡爬取需要的圖片，但爬取下來的圖片風格迥異、噪聲雜多，想要從中提取需要的圖片工作量是巨大的。
ModelArts提供的自動分組算法除了在分組標注上功能強大，在數據過濾場景上也是奇技淫巧 。
在安全帽項目中，由於實際安全帽圖像過少，從谷歌爬取了大量安全帽相關圖像（約3000張）：
但是這些並不全是我們想要的“安全帽”，我們需要工地為背景，且工人類型的安全帽。
於是在自動分組中我們對這些圖像細分為10個組（越大的分組數對數據集分組越細，能分離出更多噪聲圖像），以下為部分組的展示：
第0組
第1組
第4組
第9組
顯然類似第1組和第9組的圖片才是我們需要的結果，第1組和第4組瀏覽大致后可以全部刪除，選擇當前頁並刪除：
刪掉噪聲圖像后，只剩下約1600張，過濾了快50%的圖像：
當然如果還存在很多噪聲，我們繼續進行分組，對剩下的1640張圖再自動分組10個類
可以看到，依舊有許多與安全帽不相干的圖像如：
再一次瀏覽所有分組，對數據進行清洗，最終只剩下1008張圖像，過濾了約65%的噪聲圖像，極大地降低了標注的壓力。
