- 综合排序
- 最热优先
- 最新优先
- 来自专栏科技云报道
AI自动化标注崛起，数据标注员要失业了？
因此，全球各大AI巨头和大型独角兽，都在进行数据标注自动化的探索。 目前在自动驾驶领域，已经有车企开始采用AI进行自动化标注。 该公司的测试结果称，Autolabel的标注效率相比人工标注提高了100倍，成本仅为人工成本的1/7。 国内一家名为视智未来的公司也在打造标注大模型。 重人力转向重技术 尽管AI自动化标注技术在快速发展，但第三方数据标注服务商并没那么乐观。 数据标注公司已做好了随时裁员的准备，同时向做自动化标注工具的方向发展。
1K10编辑于 2024-01-29 label-studio进行半自动化目标检测标注
参考https://mmdetection.readthedocs.io/zh-cn/latest/user_guides/label_studio.html，这里进行简要概述：
57400编辑于 2025-07-20- 来自专栏AI SPPECH
110_微调数据集标注：众包与自动化
自动化辅助：利用自动化工具进行预标注或后处理，减少人工标注工作量。 分层标注策略：将数据分为不同层次，重要或复杂数据由专家标注，常规数据由众包完成。 质量要求 - 标注准确率目标：≥95% - 标注一致性要求：不同标注者对相同文本的标注一致率≥90% ## 7. 反馈与帮助 如有任何疑问，请通过平台留言功能联系项目管理员。 自动化标注技术 自动化标注技术是提升标注效率、降低成本的关键手段。通过结合规则引擎、机器学习和大模型技术，自动化标注可以实现部分或全部标注工作的自动化处理，大幅减少人工干预。 focus_area']}: {rec['suggestion']}") # 运行示例 if __name__ == "__main__": example_quality_improvement() 7. 多方安全计算协议将用于跨组织的联合标注项目 这些技术将成为处理医疗、金融等敏感数据标注的标准配置 合规性自动化验证 标注系统将内置自动化的合规性检查功能，确保标注过程符合GDPR、CCPA等法规要求
76011编辑于 2025-11-16 - 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。 点击open dir，选择标注文件所在的文件夹，然后开始标注。 注意标注的时候，假如你要标注的对象为人和狗，在画掩码过程中，一幅图像中如果有多个person、dog，命名规则为person1、person2…… dog1、dog2……。 因为labelme生成的标签为一个label.png文件，这个文件只有一通道，在你标注时同一标签mask会被给予一个标签位，而mask要求不同的实例要放在不同的层中。 （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 - 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！
传统的数据引擎可以分为发现问题、策划和标注数据、模型训练和评估等步骤，所有这些步骤都可以从自动化中受益。 在本文中，作者提出了一个自动改进数据引擎（称为AIDE），它利用VLMs和LLMs来自动化数据引擎。具体来说，作者使用VLMs来识别问题， Query 相关数据，自动标注数据，并与LLMs一起验证。 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。 另一条旨在最小化标注成本的研究线路是半监督学习[5, 6]和主动学习[7, 8, 9, 10]。 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%。
1.6K10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 3.0版本') # 加载重定义的label self.lbl = MyLabel(self) # 构造QPixmap，加载待标注图片 img
80420编辑于 2023-09-03 - 来自专栏python3
Python自动化开发学习7
class A 经典类写法，查找方式深度优先 class A(object) 新式类写法，查找方式广度优先 上面是python2的语法，python3里可能已经没有经典类了。不管有没有，都用形式类来写就对了。 上面都是上节讲的内容，再讲一下构造函数的问题。 Father.__init__(self,name,age) 这个是经典类的构造函数写法，把父类的名字写在前面，但是问题是若干是多继承呢。这一句显然只继承了一个父类。其他父类的属性就没有继承到了。那么就是有几个父类要写几个构造函数了。 super(Son,self).__init__(name,age) # super就一次能把所有父类的属性继承到了 多继承的情况可能用不到，或者也可以用其他方法来替代，比如组合。暂时就掌握这么多了 super(Son, self).__init__(*args, **kwargs) # 这样写，不指定继承哪些参数，而是全部继承过来，推荐。
1.2K20发布于 2020-01-07 - 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。 使用机器学习（machine learning）方法实现词性标注，常用的词性标注算法包括隐马尔可夫模型（Hidden Markov Model, HMM）、条件随机场（Conditional random 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。 (非北大标准，CSW分词中定义) 基于jieba的词性标注 前面说过jieba的分词功能，这块主要涉及jieba的词性标注功能。 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。
1.9K10编辑于 2022-05-31 - 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。 由于存在一个词相应多个词性的现象，所以给词准确地标注词性并非非常easy。比方：”改革”在”中国開始对计划经济体制进行改革”这句话中是一个动词，在”医药卫生改革中的经济问题”中是一个名词。 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。
91420编辑于 2021-12-23 - 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
53130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。
88120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。 以前呢，设计师都是老老实实地手动做标注，密密麻麻，细细碎碎......自动标注的出现，可以说是把设计师从不堪重负的状态下解放了出来。 那有了自动标注就OK了吗？NO！ 其一，标注可能缺失。 5、区域标注 可以标注任意区域的尺寸信息，在准确标注了图标的占位大小后，就不会因为尺寸不匹配而出现图标被拉伸的情况了。 ? 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、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 CMP7（类Cloudera CMP 7 404版华为Kunpeng）用开源软件Label Studio做数据标注
CMP7（类Cloudera CMP 7 404版华为Kunpeng）用开源软件Label Studio做数据标注Cloudera CMP（Cloudera Data Platform）本身并不直接提供数据标注 ✅ 推荐 2：Doccano（专注 NLP 文本标注）· 开源地址：https://github.com/doccano/doccano· 许可证：MIT· 支持任务：文本分类、序列标注（NER）、序列到序列 使用· 支持快捷键、自定义标签体系，适合大规模标注�� 适用场景：计算机视觉（检测/分割）、音视频时间戳标注、LLM 对话评估。 在 Cloudera Machine Learning (CML) 中使用 PySpark/TensorFlow/PyTorch 训练· 预标注闭环：用训练好的模型生成预标注，回流到标注工具供人工修正❌ 不推荐的组合· 直接在 CMP 内“安装”标注工具作为服务：CMP 不是应用托管平台，应将标注工具视为 外部协作系统。
53110编辑于 2025-11-13- 来自专栏编程
Python接口自动化-7-unittest
unittest简介 unittest是python自带的一个单元测试框架，详细介绍可参看官网：https://docs.python.org/3.4/library/unittest.html unittest.TestCase： TestCase类，所有测试用例类继承的基本类 unittest.main(): 将一个单元测试模块变为可直接运行的测试脚本，main()方法使用TestLoader类来搜索所有包含在该模块中以“test”命名开头的测试方法，并自动执行他们。执行方法的默认顺序是：根据ASCII
89350发布于 2018-01-24 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。
27410编辑于 2025-08-23- 来自专栏自学测试之道
Pywinauto之Windows UI自动化7
最近公司开发了一款基于PC端的桌面应用程序，需要进行自动化测试，避免重复的点工。为此，也在网上找了一些资料，都不符合当前需求，最终决定参考网上资料，使用python语言去实现。 一、起因 1、桌面应用程序的控件在程序上经过特殊处理，无法识别出控件内容 二、实现思路 1、通过录制、回放去实现自动化测试 2、通过坐标定位，点击模拟鼠标和键盘操作 （以上两种操作，均使用python 利用它可以实现自动化任务，再也不用担心有重复枯燥的任务了。 潜在的应用包括自动化繁琐的工作流、例行的用户界面测试等。 安装方法：pip install Lackey 综上几个第三方库对比，最后决定采用pynput库，实现录制回放功能，也是对目前工作进度比较快的一种自动化方式。
2.5K50发布于 2021-08-12 - 来自专栏深度学习|机器学习|歌声合成|语音合成
标注工具：parselmouth（歌声合成语音合成标注）
文章目录 Parselmouth install 画图 音高处理 Parselmouth Parselmouth Parselmouth是praat的python接口。 论坛讨论地址：https://groups.google.com/g/parselmouth install $ pip install praat-parselmouth 画图 import parselmouth import numpy as np import matplotlib.pyplot as plt import</
1.2K20发布于 2021-01-27 无服务器定制NLP与LLM及自动化标注技术解析
无服务器定制NLP与LLM及自动化标注技术解析技术架构概述基于大型语言模型（LLMs）的人机协同蒸馏技术为构建定制化信息抽取系统提供了可扩展的解决方案。 本文介绍如何通过无服务器云平台与智能标注工具的集成实现端到端流程优化。环境配置方案安装标注工具及其无服务器插件后，需通过python -m modal setup完成认证。 ", "password": "XXXXXX", "host": "your-neon-host.aws.neon.tech" } }}自动化标注实现预计算标注策略通过 LLM预生成标注可避免实时标注中的延迟和API不稳定问题。 标注结果存储于远程数据库，支持本地访问验证：数据质量优化人工校正机制通过textcat.manual配方加载预标注数据，在浏览器界面进行可视化校正。
31210编辑于 2025-09-21- 来自专栏全栈程序员必看
标注工具labelme_数据标注从哪里接单
Labelme 使用教程 5.1 分类标注 5.2 目标检测标注 5.3 场景分割标注 5.4 实例分割标注 5.5 视频标注 5.6 其它形式的标注 5.7 命令行工具 6. Labelme 常见问题 7. Testing 8. Developing 9. 将 labelme 打包成可执行文件 致谢 1. Labelme 是什么？ 5.1 分类标注 使用 labelme 进行图像分类标注的教程详见：labelme_classification 5.2 目标检测标注 使用 labelme 进行目标检测标注的教程详见：labelme_bbox_detection 5.3 场景分割标注 使用 labelme 进行场景分割标注的教程详见：labelme_semantic_segmentation 5.4 实例分割标注 使用 labelme 进行实例分割标注的教程详见 如何获取语义分割的标注？请查阅 examples/semantic_segmentation。 如何获取实例分割的标注？请查阅 examples/instance_segmentation。 7.
3.3K20编辑于 2022-10-01 - 来自专栏数据驱动实践
数学标注（公式）
> demo(plotmath) demo(plotmath) ---- ~~~~~~~~ Type <Return> to start : > # Copyright (C) 2002-2016 The R Core Team > > require(datasets) > require(grDevices); require(graphics) > ## --- "math annotation" in plots : > > ###### > #
84430发布于 2021-10-11
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