- 综合排序
- 最热优先
- 最新优先
- 来自专栏新智元
GPT-4终结人工标注！AI标注比人类标注效率高100倍，成本仅17
但同时，OpenAI也因为使用非洲廉价的人工进行数据标注，被各种媒体口诛笔伐。 refuel称，用自动化的方式标注数据，相比于人工标注，效率最高可以提高100倍，而成本只有人工成本的1/7！ 就算按照使用成本最高的GPT-4来算，采用Autolabel标注的成本只有使用人工标注的1/7，而如果使用其他更便宜的模型，成本还能进一步降低 采用Autolabel+LLM的标注方式之后，标注效率更是大幅提升 当Autolabel采用GPT-4进行标注时，获得了最高的准确率——88.4%，超过了人类标注结果的准确率86.2%。 而且其他比GPT-4便宜得多的模型的标注准确率，相比GPT-4来说也不算低。 在人工标注方面，研究团队从常用的数据标注第三方平台聘请了数据标注员，每个数据集都配有多个数据标注员。 此过程分为三个阶段： 研究人员为数据标注员提供了标注指南，要求他们对种子集进行标注。
1.6K41编辑于 2023-09-19 - 来自专栏python与大数据分析
图像标注版本4-多标注框+标注标签+高亮和删除标签
4.0版本在3.0版本基础上增加了双击某个位置时，如果这个位置在标注框内，则对选中的标注框进行标识出来，同时提示是否要删除当前选中的标注框，进行删除处理。 # 如存在在多个被标注框内，则显示最新标注的那个 # 再询问是否要删除标注框 # 如果确定要删除，则删除当前坐标所在的标注框 def mouseDoubleClickEvent Qt.SolidLine)) painter.drawRect(rect) painter.drawText(point[0], point[1], point[4] , abs(point[0] - point[2]), abs(point[1] - point[3])) painter.setPen(QPen(Qt.green, 4, ) painter.drawRect(rect) painter.drawText(point[0], point[1], point[4]
74310编辑于 2023-09-03 YOLO半自动标注技术助力铁路检测，人工标注时间骤降80%！
通过以小规模人工标注数据为起点，该方法通过迭代训练YOLO模型，利用每轮输出提升模型精度，逐步减少人工干预需求。 该方法将单张图像标注时间从平均2-4分钟缩短至30秒-2分钟，显著降低人工成本与标注错误。 标签提取流程集成于每轮未标注图像检测中，形成高效工作流。五、算法设计获取数据集后，需要由人工标注者对数据集中的一小部分图像进行人工标注。 如图3所示，在第一次实施辅助标注后，模型的得分和稳定性有了初步提高。辅助标注额外增加的100张标注图像所花费的时间也大大减少。从图4和图5中可以看出，每增加100张图像也是如此。 辅助标注效果的一个难点在于模型的训练时间。手动标注每张图像需要花费大量时间。完全标注无辅助模型大约需要10个小时。而训练辅助模型大约需要4-5个小时。这表明训练过程大大减少了时间和人力。
76410编辑于 2025-04-11- 来自专栏进击的Coder
OpenTag模型：减少人工标注，自动提取产品属性值
能用有限的人工标注或监督来做到这一点吗？ AI 前线第 37 篇论文解读，给大家带来的是最新提出的 OpenTag 模型论文。 学习： 探索了主动学习和新的采样方法来减少对人工标注的依赖。 实验： 我们在不同领域的真实场景数据集上进行了大量实验来验证 OpenTag 的有效性。 图 4（d）给出了经过注意力机制的操作后词向量的分布。与图 4（a）对比发现，使用注意力机制之后，类似的概念（标注）有了更好的聚类和区分度。 主动学习 用保留测试集进行主动学习： ? 它利用主动学习来减轻人工标注的负担； （4）可解释性：OpenTag 利用注意力机制来解释它的决定。 论文在不同领域的真实数据集上进行了实验，实验证明 OpenTag 可以仅从 150 个标注样本中发现新的属性值（降低了 3.3 倍的人工标注量），F 分数高达 83%，超过了当前最先进的模型。
1.9K20发布于 2019-09-04 - 来自专栏机器学习
介绍数据标注软件：提升人工智能模型的基础
数据标注流程确定标注任务：明确需要标注的数据类型和目标，例如图像分类、对象检测或文本分类。选择合适的软件：根据任务需求选择合适的数据标注软件。创建标注项目：在软件中创建一个新的标注项目，并导入数据集。 定义标签：根据标注任务定义标签，例如图像分类中的类别标签，或对象检测中的目标对象。开始标注：使用软件的工具对数据进行标注，并保存标注结果。质量检查：对标注结果进行质量检查，确保标注的准确性和一致性。 开始标注选择一个图像，使用矩形工具标注目标对象，并为其分配相应的标签。重复上述步骤，完成所有图像的标注。质量检查在标注完成后，检查每张图像的标注结果，确保标注准确无误。 解决方案：制定详细的标注规范和指南，并进行标注人员培训。标注效率挑战：大规模数据集的标注需要大量时间和人力。解决方案：使用自动标注工具和主动学习技术，提高标注效率。 数据隐私挑战：标注过程中涉及的敏感数据可能面临隐私风险。解决方案：对敏感数据进行匿名化处理，并严格控制数据访问权限。结论数据标注是人工智能模型训练中不可或缺的一环。
93000编辑于 2024-08-06 - 来自专栏我爱计算机视觉
虚实结合：无需人工标注的可泛化行人再辨识
编 者 言 本文作者提出一个虚实结合的行人再辨识新思路：通过半监督方式联合训练有标签虚拟数据和无标签真实数据，取得更好的可泛化行人再辨识性能，并且其无需人工标注的优点更具有规模化的可扩展性和实际应用价值 实验表明，这种完全不需要人工标注的方法可以在泛化能力上跟需要手工标注的方法相媲美。 该工作已被 BMVC 2021 接收。 标注大规模且多样性高的真实数据集是十分昂贵的，也十分耗时。比如，标注MSMT17数据库（4,101人，126,441图像）耗费三个人联合标注了两个月。 为了解决这个问题，最近一个工作RandPerson启发我们使用大规模合成数据做行人再辨识的训练，这样就省去了人工标注。然而，如果只使用合成数据集，模型的泛化能力依旧是有限的。 为了解决这个问题，我们引入了DomainMix框架，完全消除了人工标注的需求，缩小了合成数据和真实数据之间的差距。大量实验表明，本文提出的无需人工标注的方法对于域泛化行人再辨识具有优越性。
75410编辑于 2021-12-02 - 来自专栏OpenMMLab
操作顺滑，一秒上手，LabelBee 让人工标注更智能
俗话说，有多少人工，就有多少智能。在监督学习领域，数据的质量往往决定了算法效果的上限。 随着计算机视觉任务的飞速发展和商业化需求的增加，快速获取高质量标注数据越来越重要。 一个易用、高效的标注工具，无疑可以帮助降低成本，提高工作效率。 这不，贴心的 OpenMMLab 正好就带着它最新开源的数据标注工具走来了—— 今天，OpenMMLab 正式推出 LabelBee 标注工具！ LabelBee 核心亮点 LabelBee 标注工具发源于对商业应用场景的一系列算法标注需求，已经在 2 ~ 3 年的时间里承接了近万批次、数以亿计的标注需求，历经不断完善、打磨，目前已经趋于稳定和完备 应用方式 客户端开箱即用 SDK 接入业务系统 后续规划 未来，我们会先从以下几个方面做出改进： • 接入更多的工具和标注能力，包括大批量标签筛选、视频类、音频类、点云类的标注等； • 融合图像标注工具
2.1K10编辑于 2022-01-18 - 来自专栏全栈程序员必看
labelme图像标注_ai标注工具
然而如果是做语义分割的任务时，就不能只是标注框里，需要用另外一种工具labelme进行标注，本文对该工具的安装使用方法进行介绍。 #anaconda 1 安装方法 1.1 Ubuntu # Ubuntu 14.04 / Ubuntu 16.04 # Python2 # sudo apt-get install python-qt4 # PyQt4 sudo apt-get install python-pyqt5 # PyQt5 sudo pip install labelme # Python3 sudo apt-get install 点击open dir，选择标注文件所在的文件夹，然后开始标注。 （如果是做语义分割，则没必要如此区分） 标注完成后，会生成一个json文件 3 文件转换 标注完成后，我们得到原图和对应的 json 文件，需要转化成 colormap 标注图，在 labelme 项目中
1.8K20编辑于 2022-10-01 BERT小模型超越GPT-4的标注数据需求
预测性任务中BERT规模模型超越GPT-4所需的标注样本量大型语言模型（LLMs）提供了一种新的机器学习交互范式：上下文学习。这种方法明显优于依赖显式标注数据的各种生成任务（例如摘要、问答、释义）。 上下文学习也可应用于预测性任务，如文本分类和实体识别，只需少量或无需标注示例。但上下文学习在这些任务上实际上与监督方法相比如何？ 关键优势在于需要更少的数据，但在不同问题上，一个BERT规模的模型需要多少标注样本才能在准确性上击败GPT-4？ 提高上下文学习准确性的方法涉及增加速度与准确性的权衡，表明蒸馏和LLM引导的标注将是最实用的方法。本文讨论了基于spaCy开源库和Prodigy标注工具的实现方法。 通过大量实验：许多任务，多个模型，没有GPT-4结果，在所有任务上远低于任务特定模型。
26410编辑于 2025-09-09- 来自专栏集智书童
自动化数据引擎 AIDE | 自动识别问题、自动标注改进模型，不在依赖大量人工数据标注！
与依赖大量人工标注和干预的传统数据引擎相比，AIDE通过利用预训练的视觉语言模型（VLMs）和大型语言模型（LLMs）来自动化这一过程。 尽管开放词汇目标检测（OVOD）方法[3, 4]无需任何人工标注，它们作为检测新目标的一个良好起点，但在自动驾驶（AV）数据集上的表现相较于监督学习方法有所不足。 通过作者的问题发现器、数据喂入器和模型更新器，作者在新类别上实现了2.3%的平均精度（AP）提升，与OWL-v2相比，在没有任何人工标注的情况下，并且在已知类别上以8.9%的AP超过了OWL-v2（表1 图4展示了一些检索到的图像的示例。 Model Updater 作者的模型更新器的目标是让检测器学会在没有人工标注的情况下检测新物体。 正如表7所示，在作者将AIDE应用于OWL-v2的情况下，无需人工标注就可以平均达到13.2%的AP，这比原始的OWL-v2模型提高了3.5%。
1.5K10编辑于 2024-04-18 - 来自专栏python与大数据分析
图像标注版本3-多标注框+标注标签
这个图像标注版本在前面多标注框基础上，增加了标注标签的选择，同时修正了一下之前绘制最后一个标注框的显示问题，现在看起来更像一个标注软件了。 参照labelImg的样式定义了一个自定义Dialog窗口，在这个窗口中加载了标注标签列表文件，同时这个标签是要必须选择的，或者取消。 对多标注框的代码重新做了优化，一个是关于正在绘制的标注框的显示问题，如果标签取消，则不予绘制，如果选择了标签才绘制出来 一、通过qt designer设计一个标签选择的自定义Dialog窗口 # - bboxlist中（bboxlist相对于2.0版本有所调整） 在绘制事件中，修正了对实时标注框的单独绘制 from PyQt5.QtWidgets import QWidget, QApplication Qt.SolidLine)) painter.drawRect(rect) painter.drawText(point[0], point[1], point[4]
70620编辑于 2023-09-03 - 来自专栏大数据与知识图谱
词性标注
—— 迈克尔·法拉第 词性标注简介 词性标注是在给定句子中判定每个词的语法范畴，确定其词性并加以标注的过程，即把每个词标注其为名词、动词、形容词等。 词性标注规范 词性标注将一个个词标注成名词、动词、形容词、副词等，需要用字母标记，如“n”，“v”，“a”，“d”。 北大标准/中科院标准 词性编码 词性名称 注解 ag 形语素 形容词性语素。 类似其分词流程，jieba的词性标注也是结合规则和统计的方式，其在词性标注过程中，词典匹配和HMM（隐马尔科夫模型）共同作用。 词性标注的流程如下： 首先基于正则表达式进行汉字判断，jieba源代码posseg中正则表达式为： re_han_internal = re.compile("([\u4E00-\u9FD5a-zA-Z0 Loading model from cache /var/folders/z8/vyy4cxb5461_1tzkw0qjdk300000gn/T/jieba.cache Loading model cost
1.8K10编辑于 2022-05-31 - 来自专栏机器之心
无需人工标注，自生成指令框架打破ChatGPT等LLM的成本瓶颈
机器之心报道 编辑：小舟 当前，大型语言模型的性能已经达到了很高的水平，除了进一步挖掘其潜力，我们还应该关注到模型背后的人工标注成本。 我们可以发现，在 ChatGPT 训练的三个阶段中，只有第三阶段不需要使用人工标注数据，而第一第二阶段都需要大量的人工标注。 SELF-INSTRUCT 提供了一种几乎不需要人工标注的方法，实现了预训练语言模型与指令对齐。 已有多个工作在类似的方向上做出尝试，都收获了不错的结果，可以看出这类方法对于解决大型语言模型人工标注成本高的问题非常有效。这将让 ChatGPT 等 LLM 变得更强，走得更远。 第1名：HYUNDAI现代投影仪 第2名：雷蛇机械键盘 第3名：SKG颈椎按摩仪 4-10名：精美音箱 前50名：亚马逊定制帽子 点击阅读原文，注册亚马逊云科技账号即可线上参赛。
76110编辑于 2023-03-29 - 来自专栏全栈程序员必看
词性标注
4.10 词性标注 词性用来描写叙述一个词在上下文中的作用。比如描写叙述一个概念的词叫做名词，在下文引用这个名词的词叫做代词。有的词性常常会出现一些新的词，比如名词，这种词性叫做开放式词性。 把这个问题抽象出来就是已知单词序列 ，给每一个单词标注上词性 。 不同的语言有不同的词性标注集。比方英文有反身代词，比如myself，而中文则没有反身代词。 比如《PFR人民日报标注语料库》中把”形容词”编码成a；名词编码成n；动词编码成v等。 词性标注有小标注集和大标注集。比如小标注集把代词都归为一类，大标注集能够把代词进一步分成三类。 人称代词：你 我 他 它 你们 我们 他们 疑问代词：哪里 什么 怎么 指示代词：这里 那里 这些 那些 採用小标注集比較easy实现，可是太小的标注集可能会导致类型区分度不够。 參考《PFR人民日报标注语料库》的词性编码表，如表4-4所看到的： 表4-4 词性编码表 代码 名称 举例 a 形容词 最/d 大/a 的/u ad 副形词 一定/d 可以/v 顺利/ad
86920编辑于 2021-12-23 - 来自专栏十二的树洞
人工神经网络学习笔记（4）
---- Python-numpy编码实现人工神经网络 ---- 前面的几篇文章我们熟悉了人工神经网络的数学原理及其推导过程，但有道是‘纸上得来终觉浅’，是时候将理论变为现实了。 [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-vOdOSJra-1580383064774)(/人工神经网络学习笔记（3）/20190607015526334.png)]
53120编辑于 2021-12-22 - 来自专栏python与大数据分析
图像标注版本2-多标注框
在网上能看到的图像标注版本多是图像标注版本1的代码，但图像标注不仅只保存一个标注框，通常都是多个标注框，而且要把这些标注框信息记录下来，当然代码也是在网上找到的，做了一些改动。 多标注的秘诀就在于增加一个bboxList列表，记录每次释放鼠标时的起始结束位置以及其他信息，在绘制事件中，将过往的bboxList存储的点位信息重新绘制出来。 self.x1 = 0 self.y1 = 0 self.rect = QRect() self.flag = False # 增加一个存储标注框坐标的列表 initUI(self): self.resize(960, 540) self.move(100, 50) self.setWindowTitle('Label标注框 2.0版本') # 加载重定义的label self.lbl = MyLabel(self) # 构造QPixmap，加载待标注图片 img
47930编辑于 2023-09-04 - 来自专栏python与大数据分析
图像标注版本1-基本标注框
由于某种需要，本人需要开发一款数据标注工具，也尝试过阅读Labelme和LabelImg代码，但无奈水平有限放弃了，最后决定借鉴其标注界面和思想。 此外图像标注，之前试过simpleGUI，但交互性有点弱，决定用pyqt5重构一下，图像标注主要包括图像文件夹的选择，图像的预览，图像标注框选，图像标注Label选择，图像标注结果存储，甚至图像的放大缩小 第二个版本，最常见到的图像标注，多个标注框显示在图片上 第三个版本，实现了标注Label的选择，并且将结果保存下来 第四个版本，实现了基于当前位置双击后，被标注框的高亮显示和删除 第五个版本，对标注框结果进行各种类型的保存 这个图将以后作为标注的基准图片。 鼠标点击及按下意味着初始坐标 鼠标移动记录标注的动作，可以画也可以不画 鼠标释放记录标注框的终点 图像绘制事件中，主要交换了一下标注框的坐标，网上很多是错的，导致标注结果不对。
79520编辑于 2023-09-04 - 来自专栏无原型不设计
摹客iDoc标注：自动标注一键生成，手动标注自由补充
为什么标注需要「自动+手动」？ 手动标注到自动标注，在设计界是有一个演化的过程的。 4、颜色标注 单击即可提取设计稿任意元素的色值信息，包括设计稿切图上任意元素的色值信息也可标记。 ? 此外，定稿模式中还支持自定义标注的线段类型、线宽、文字颜色、透明度，又快又简单。 开发模式：自动标注+手动标注完美呈现 开发工程师可按需自由查看标注信息，手动标注可选择开启或关闭。 4、标注面板 标注面板上半部分展示标注详情信息；下半部分展示样式代码。均可一键复制。 ? 5、百分比参照 按Alt可显示百分比标注，不需要提前设置参照，系统会自动选取相邻的父级图层作为百分比参考。 4、在开发模式查看标注「自动+手动」，获取标注信息 自动标注在上传设计稿后自动生成，手动标注在定稿模式中生成，两者在开发模式下都可以直接查看。
1.4K20发布于 2019-06-14 - 来自专栏无原型不设计
4款UI智能标注工具真实测评-有态度的测评
小编用同一张图的标注结果，测评一下当前市面上的各种智能标注工具，及其优缺点。 UI智能标注工具哪个好用？ 优点： 1.利于打发时间，磨炼性格； 2.试用范围：享受标注过程的人群； 3.界面很干净； 缺点: 1.标注不智能； 2.手动标注不准确，结果如上，差距较大； MarkMan，让我想起了诺基亚，但也还是感谢曾经对于标注界的贡献 优点： 1.开发可以直接复制元素代码； 2.标注比较智能，也支持百分比标注和多选标注； 3.在线的，不占内存，一个插件搞定切图和标注； 4.支持 Win／Mac, 支持 PS／Sketch / XD； 4、标你妹呀 体验地址：http://www.biaonimeia.com/ 与前两款软件对比，标注的尺寸有误差（上边距和下边距），图标的宽、高各大1px。 ? ，本来标注和切图就不太喜人，标注的时候，边标记边骂，标你妹呀，标你妹呀。。。
1.5K20发布于 2019-01-24 利用无标注数据提升序列标注技术
利用无标注数据改进序列标注虚拟对抗训练（VAT）是一种通过向无标注数据添加噪声来生成难以分类的训练样本，从而改进机器学习系统的方法。 然而，VAT不太适用于序列标注任务，即输入短语中的每个词都需要被分配单独的标签。这主要是因为VAT难以与条件随机场（CRF）集成，而CRF对于序列标注任务的最先进性能至关重要。 在实验中，使用半监督学习（即少量标注训练数据辅以大量无标注数据）在三个不同序列标注任务上，将该系统与四个性能最佳的前置方法进行了比较。在八个不同数据集上，该方法全面优于所有四个基线。 传统的对抗训练是一种监督学习技术：向标注训练样本添加噪声以使其更难分类，并根据机器学习系统预测标签的效果进行评估。VAT将这种方法扩展到半监督学习，旨在利用无标注数据。 首先，在标注数据上训练模型；然后，向大量无标注数据添加噪声，并进一步训练模型，使其对带噪声无标注数据的分类与对干净数据的分类尽可能一致。这种方法依赖于聚合统计数据的比较——干净数据和噪声数据的分类。
24410编辑于 2025-08-23
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号