安全場景數據標註實訓教程

《安全場景數據標註實訓教程》 第一章 數據標註概述 ◆ 人工智能領域研究智能機器人、圖像識別、專家系統、自動程序設計、自動推理、信息檢索、自然語言處理、機器學習、深度學習、人工神經網絡等。 ◆ 人工智能是研究人類智能活動的規律，構造具有一定智能的人工系統來模擬人類某些行爲的基本理論、方法和技術 ◆ 數據標註是人工智能產品誕生的第一個環節，接下來，還要經歷模型訓練與優化、模型管理、推理應用等。訓練人工智能產品需要如上所述的數以億計的數據，這些數據會最先流向“數據標註人員”的電腦。 ◆ 數據標註的概念，是藉助軟件標註工具，對圖像、視頻、語音、文本等未處理的原始數據進行歸類、整理、編輯、糾錯、標記和批註等加工處理，爲原始數據增加標籤，生成滿足計算機學習訓練要求的可讀數據的工作，目的是讓計算機不斷識別數據特徵，強化特徵與標籤之間的關聯，最終實現人工智能自主識別 ◆ 數據標註與人工智能相伴而生，只要人工智能沒有獲得真正的“判斷”能力，數據標註行業就會一直存在。 ◆ 數據標註的體量和質量越高，算法模型的性能就越好， ◆ 標籤主要是標識數據的特徵、類別和屬性等 ◆ 人工智能訓練師的主要工作任務如下： (1)標註和加工圖片、文字、語音等業務的原始數據； (2)分析提煉專業領域特徵，訓練和評測人工智能產品相關算法、功能和性能； (3)設計人工智能產品的交互流程和應用解決方案； (4)監控、分析、管理人工智能產品應用數據； (5)調整、優化人工智能產品參數和配置。 人工智能訓練師職業包含但不限於數據標註員、人工智能算法測試員。 數據標註工作從業者從此有了統一職業名稱——人工智能訓練師。 ◆ 無論是全職人數還是兼職人數，數據標註人員數量之所以創新高，是因爲呈現指數級增長的人工智能的發展，以及隨之而來的日趨多樣化的數據標註應用場景。 ◆ 人工智能結合高質量的標註數據，可以提高金融業務的執行效率和準確性。 ◆ 結合安全場景要求，數據標註涉及數據需求方、標註管理方及數據標註方三方人員，主要流程包括標註前期準備、標註任務執行、標註結果輸出三個階段 ◆ 數據標註是人工智能領域最基礎、最重要的工作，工作量較大，人是這項工作中最大的影響“因素”，因此人們逐漸爲數據標註行業貼上了“勞動密集型”的標籤 ◆ 標註好的最終數據是要爲計算機服務，一個算法模型往往需要上百萬乃至數以億計的標註數據來進行學習訓練，所以爲確保海量精細的標註數據對算法的訓練產生價值和效果，就要求標註人員有認真的工作態度，要做到細心、耐心、責任心， 第二章 數據標註分類 ◆ 對於2D拉框的貼合度一般要求框的四邊要與被標註物緊密貼合 ◆ 如將人物身體輪廓的上、下、左、右最大邊緣與框的四邊緊密貼合，並完全包裹整個人體。2D拉框一般允許誤差在5個像素範圍內，具體根據任務要求而定，遮擋比例過大（一般超過90%）無須標註，如果是部分遮擋，則只標註可見部分；有時也需要預估被遮擋區域進行腦補（在頭腦中對特定情節進行補充想象的行爲）標註 ◆ 語義分割是一種像素級別的標註方法。與拉框標註只關注目標的大致位置和大小不同，語義分割需要對圖像中的每個像素進行標註。 ◆ 文本標註是自然語言處理(Natural Language Processing，NLP)的一個關鍵步驟 第十二章 安全場景數據標註實訓案例 ◆ 標註員可通過選擇倍速播放來提高標註效率。雖然系統支持視頻倍速播放，但標註員要合理利用。視頻可以分爲顧客作決定過程、對比過程、拿取過程，前兩個過程可適當使用高倍速播放，對於顧客拿取過程使用正常播放速度，這樣操作可提升標註效率。 ◆ 手勢21點骨骼標註涉及點標註和點屬性選擇，若在標註點的時候兼顧調整點屬性，會影響標註連貫性。拆分標註過程，先完成點標註，再調整點屬性，有利於提升標註效率。 ◆ 1)標註任務中有很多圖存在上下關聯幀，在標註時僅依據當前幀的標註對象情況進行標註，不進行多幀聯想記憶。 (2)標註車輛時，針對車體進行標註，標註框不包含車輛的附屬物，比如行李架、開着的車門、工程車伸出的吊臂、車載貨物等。 ◆ 3)錐桶、水馬、防撞桶這三種類型的路障物，只要在圖中出現，就需要標註。這三種路障之外的其他路障，只標註車輛可行駛區域範圍內的目標，即存在影響通行或存在碰撞風險的目標。 ◆ D點雲標註要點 以下標註要點爲一般3D點雲標註要點，不同項目存在差異： (1)所有標註物體需要貼合地面，障礙物的點和地線的點分不清時，可以壓點地線；地面傾斜，爲了達到障礙物不漏點，可以框入地線；障礙物的點離地線比較遠時不得壓地線。 (2)如果物體點雲數少於10個點，則不標註。 (3)如果點雲數較少，則需要根據物體實際尺寸進行腦補。 (4)貼近點密集的邊拉框，點雲數比較完整的時候貼合點雲標註。 (5)車輛殘影不標註。 (6)只標註範圍內的物體，一般是採集車200米內的圓形區域。 (7)2D框要貼合實際物體，如果2D框調整比較困難，可以刪除後重畫。 (8)方向一般指車頭方向，當遇到特殊的車輛，依據其車頭和車尾無法判斷方向時，參考前後幀或者所處車道線來判斷。 (9)3D點雲標註通常要求合格率達到97%以上。（注：按標註物計算，如果一張圖中包含多個標註物，單個標註物的某一部分標註不貼合或者屬性選擇不正確，則此標註物按錯誤計算。） ◆ 3D點雲連續幀標註要點 以下標註要點爲一般3D點雲連續幀標註要點，不同項目存在差異： (1)3D點雲圖中，車輛、行人等能區分正反面的物體，正面/車頭朝向爲物體方向；車體的一側邊緣，需要和3D框的一邊保持平行。 (2)每個標註任務，只需手動標註第一幀圖上的物體，其餘幀調整方向、 ◆ 3)所有物體的3D標註框須貼合地面，不能高於地面或低於地面，若有斜坡，則以貼地面最低點爲準，以保證點雲的完整性。 (4)屬於目標的所有點都應被完整地包含在目標框內，被標註的目標不能有漏點。 (5)標註連續幀時，上下幀同一標註物ID必須一致。 (6)同一輛車，前一幀出現，後一幀消失，標註爲離開；完全離開標註範圍後標註爲離開。 (7)車輛後視鏡、打開的車門或後備廂，都應該包含在車體內一併標註。如果行人攜帶物體（包、雨傘、工具等），則該物體應包含在行人的邊界框中。 (8)物體點雲數少於10個點不標註。 (9)腦補。無法確定車輛大小、位置時，需要參考標準尺寸表進行腦補，以達到最低尺寸。 (10)在非機動車道上，無人接觸的非機動車，不標註。 ◆ 3)標註時儘量標在車道線的中間位置，標註點要儘可能密集，尤其是在彎道處，點的連線要保證與彎道同步。對於直線車道，如果其跨越整個圖像，則至少要有5個打點。 (4)道路邊緣線的標註參考車道線標註規則，區別在於選線屬性標籤時，選爲道路邊緣線。 (5)斑馬線標註頂點作爲起點，以斑馬線長邊作爲起始邊開始標註，順逆時針不限，連結最後一個頂點後結束，最終標註結果爲短邊不閉合的矩形框。 ·4D車道線標註要點 (1)精確性：在進行4D車道線標註時，精確性是至關重要的。一條車道線的寬度、長度、高度以及其在時間上的變化都需要準確地標出。 (2)連續性：車道線應被標註爲連續的線段，而不是一系列的離散點。 (3)時間序列一致性：4D車道線標註包括時間維度，因此在標註過程中需要保證不同時間點的車道線標註是一致的。在整個標註時間序列中，每一幀的車道線都應該與前一幀和後一幀的車道線相連。 (4)各種道路狀況：在進行4D車道線標註時，需要考慮各種可能的道路狀況，包括但不限於施工區域、交通事故、突然變窄的車道等。城市街道複雜，可以採用分層標註策略，先進行粗標註，然後進行細標註。 (5)各種天氣和光照條件：4D車道線標註需要考慮各種可能的天氣和光照條件。例如，雨天、霧天、夜晚等情況下的車道線可能與晴天、白天的車道線有所不同。 ◆ 下2D標註要點 (1)線下2D標註，涉及標註種類多，標註過程可拆解爲以下步驟：第一步，確定車輛類別，選擇2.5D矩形框或者2D矩形框進行標註，並選擇車輛的遮擋屬性；第二步，確定2.5D框的中軸線位置，添加中軸線；第三步，確定車輛姿態，標註車頭、車尾、車身、車輛行駛方向；第四步，標註接地點。 (2)線下2D標註，每張圖涉及的標註內容比較多，一般容易出錯的標註點出自漏標、錯標。正常情況下，可以採用由遠到近、由左到右的順序進行標註，按照一定的方向順序標註可以有效減少漏標。標註錯誤，主要體現在遮擋屬性選錯、中軸線位置畫錯、接地點位置標錯，要針對這些錯誤類型建立錯題集，進行有針對性的訓練，減少標註錯誤。