- 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。 卫报报道肯尼亚劳工指责数据标注工作给自己带来了不可逆的心理创伤 总之，对于数据标注，一定需要找到一个新的方法，才能避免大量使用人工标注带来的包括道德风险在内的其他潜在麻烦。 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 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 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。 当检测目标定义存在主观性（如"道砟不足"）时，标注难度进一步加剧。辅助标注技术通过算法工具减少人工误差、提升标注一致性，不仅能加速数据准备，还能提高标注质量。 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。 在涉及YOLO模型训练的大多数研究中，人工标注是标准技术。虽然这种方法能保证高质量的标注，但其耗时耗力成本高昂。本研究提出的算法虽然保留了人工标注环节，但与全数据集标注相比，所需劳动力显著降低。
70110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。 非正式问题 2：我们是否可以开发只需要有限的人工注释的监督模型？另外，我们能开发出对其决策能给出完整解释的模型吗？ 论文贡献 在这篇论文中，我们提出了几个新的技术来解决上述问题。 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。 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。
85200编辑于 2024-08-06 - 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
2K10编辑于 2022-01-18 - 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。
75010编辑于 2021-12-02 - 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
1.7K20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！
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 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。为此，作者对数据馈送器 Query 的图像进行伪标签处理，然后使用它们来训练作者的检测器。 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%。
1.4K10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
65920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。 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。
1.8K10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。 ChatGPT 是在 GPT 3.5 系列模型的基础上，引入「人工标注数据 + 强化学习」（RLHF）来不断微调预训练语言模型，旨在让大型语言模型（LLM）学会理解人类的命令，并学会根据给定的 prompt 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。
74710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。 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。
86320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
46330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。
76420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。
1.3K20发布于 2019-06-14 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。
24010编辑于 2025-08-23- 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 - 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 : > > ###### > #
80730发布于 2021-10-11 - 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. 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 ：labelme_instance_segmentation 5.5 视频标注 使用 labelme 进行视频标注的教程详见：labelme_video_annotation 5.6 其它形式的标注 Labelme 除了能进行上面形式的标注，还能进行下面形式的标注： 多边形 矩形 圆形 多段线 线段 点 使用 labelme 进行其它形式的标注的教程详见：labelme_primitives
3.1K20编辑于 2022-10-01 - 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。 在这个版本中首先需要增加双击事件，在双击事件中对当前鼠标位置是否属于某个标注框进行遍历，某个位置可能属于多标注框时，则按照先入后出的原则，进行删除。 在绘制事件中主要是对当前位置所在的标注框进行区分显示。 其他代码基本未变。 # 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 # 判断是否已有选中的标注框 if self.curChoosedbbox !
69910编辑于 2023-09-03
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