Geleneksel süreçten 15 kat daha hızlı olan AI eğitimi için video verilerini etiketlemenin yeni bir yöntemi var
Bu yılki COMPUTEX etkinliğinde creDa, bu yıl Ocak ayında resmi olarak lanse edilen dinamik resim etiketleme platformu "ezLabel" i sergiledi. Sadece videoyu platforma yükleyin ve hedef nesnenin ilk ve son görüntülerini işaretleyin. Videodaki hedef nesne, geleneksel markalama yönteminden 15 kat daha hızlı olabilen algoritma tarafından otomatik olarak işaretlenebilir. 9 Nisan'da yapılan revizyonun ardından, arayüzde desteklenebilen 1026 tür nesne etiketi eklenmesinin yanı sıra, aynı bölümde birden fazla davranışı defalarca işaretleyebilen işaretleme davranışları işlevi de eklenmiştir.
Genel olarak, dinamik bir resmi işaretlerken, hedef nesneyi kare kare statik bir resim içinde işaretlemeniz gerekir.Saniyede 24 kare sayarsanız, her on karede bir işaretleyin ve bir saniyede 2-3 kez işaretlemeniz gerekir. Resimleri etiketlemek çok zaman alıyor. Qaida, etiketleme süresini kısaltmak için ezLabel dinamik resim etiketleme platformunu başlattı.Kullanıcıların yalnızca videoyu platforma yüklemeleri, ilk ve son kez ekrandaki hedef nesnenin konumunu çerçevelemek için bir kutu kullanmaları ve ardından çalıştırmak için tıklamaları gerekir, sistem geçecektir. Derin öğrenme, görüntü özelliği değerini çıkarır ve bunu video ile karşılaştırır ve ardından otomatik olarak hedef nesneyi işaretler.
Platform, video yüklemelerinin uzunluğunu sınırlamasa da, Qaida Smart CEO'su Shen Baijun da, resimler platformda oynatıldığında ve işaretlendiğinde kişisel bilgisayarın geçici belleğini işgal edeceklerini hatırlattı. Belleğin, resimleri daha uzun süre işleyecek kadar büyük olması gerektiğini söyledi. Video uzunluğunun beş dakika ile sınırlandırılması önerilir.
Shen Baijun ayrıca mevcut algoritmanın tüm nesnelerin işaretlenmesi için hala geçerli olmadığını söyledi. Geliştirme ekibi tarafından test edildikten sonra, platform arayüzüne yerleştirilmiş ortak otomobiller, motosikletler, yayalar veya suda yaşayan canlılar vb. Dahil olmak üzere, ancak kullanıcı arayüzde işareti bulamazsa otomatik olarak işaretlenebilecek 1026 öğe olduğu belirlendi. Özel işlevlerle test etmek için kolayca öğeler ekleyebilirsiniz ve yine de otomatik etiketleme için uygun olabilir.
"Tam otomatik algoritma mükemmel değil, ancak geçmiştekinden 15 kat daha hızlı olabilir." Shen Baijun, otomatik olarak etiketlenip etiketlenemeyeceğinin resmin karmaşıklığına da bağlı olduğunu söyledi. Örneğin, çok sayıda lokomotifin park edildiği ve kırmızı ışık beklediği bir sahnede, hedef lokomotif değil Tanımlanması kolaydır Bu nedenle, sistemin otomatik işaretlemesi tamamlandıktan sonra, yanlış işaretlenmiş parçaların yeniden düzeltilmesi için manuel inceleme gerekir, ancak bu durumda bile, tüm markalama süreci geleneksel yöntemlerden 15 kat daha hızlı olabilir.
EzLabel platformu, kullanıcılara kendi başlarına görev oluşturma yeteneği sağlar ve etiketlenecek öğenin kategorisini, türünü ve özniteliğini seçebilir.
Not eklemek istediğiniz nesne arayüzde bulunmazsa, test edilecek öğeler eklemek için özel işlevi kullanabilirsiniz.
Daha sonra hedef video ekranında işaretlenebilir ve ardından algoritma tarafından otomatik olarak işaretlenebilir.
EzLabel'in bu yıl 9 Nisan'da revizyonundan sonra, işaretleme davranışı işlevi eklendi.Shen Bai, birçok açık kaynak yazılımın işaretlemek için tek bir statik resim kullanarak işaretleme davranışı sağladığını, ancak davranışın sürekli bir eylem olması gerektiğini söyledi. Bu nedenle ezLabel, kullanıcıların on çerçeve içinde işaretlenen kişinin hareketlerindeki değişikliklerle tanımlanabilen "yürüme" davranışı gibi bölümlerdeki davranışları işaretlemelerine izin verir. Ayrıca bölümde farklı davranışlar tekrar tekrar işaretlenebilir, örneğin bir kişi şemsiye tutarken yürürken aynı anda "yürüme" ve "şemsiyeyi destekleme" davranışlarını bölümde işaretleyebilir.
ezLabel bir hesaba kayıt olduktan sonra kullanılabilir.Öğrenci kullanıcıların oranı nispeten yüksektir.İşaretleme tamamlandıktan sonra ezLabel ayrıca, doğrudan AI model eğitimi için kullanılabilen PASCAL VOC ve JSON olmak üzere iki yaygın indirme biçimi sağlar. Gelecekte, Quetta ayrıca işaretlenen verileri doğrudan bulut bilişimine bağlamayı umuyor, böylece kullanıcılar verileri daha rahat bir şekilde eğitmek için kullanabilir, böylece verilerin indirilmesi ve bulut bilişimine yüklenmesi ihtiyacını ortadan kaldırır.
