基于机器视觉的应用案例对比常见的几种标注方法

20个视觉应用项目展示,机器代替人眼来做测量和判断 机器视觉的应用案例 1.打印机透明塑胶检测 2. 智能卡OCR字符检测 3.电池产品定位检测 4.锂电池极片检测系统 锂电池极片的生产过程中,会因为涂布机、辊压机的原因产生露箔、暗斑、斑、掉料等缺陷,制片后人工对极片进行检测。该检测系统可代替人工对极片进行检测,挑选出次品极片,实现极片检测的自动化。 5. LCD印刷电路定位检测 6.LED芯片正反面检测 7. LED芯片极性检测 8.芯片局部缺损检测 9.产 阅读详情

机器视觉的专家要做的一件很重要的事情就是判断使用哪种标注工具获得的训练数据可以得到最准确的模型

你可能会用完全不同的标注发方法来处理一批同样的原始数据或者为了另外的算法完全重新标注原始数据来得到更高的模型准确率。

在SPARKAPI,我们针对人工智能的企业采用更人性化的服务。

在和客户交谈的过程中,我们经常会被问到针对某个特定的项目,我们推荐什么样的标注工具。我们已经帮助通过庞大的标注任务帮助客户解决了多种多样的应用案例。

当在大规模的构建自己的标注好的训练数据集时,有必要熟悉一下正确的标注工具和它们的用处,例如其他的AI企业是怎么收集训练数据的,他们如何选择标注工具类型应用在特定的项目中。

But which annotation type is right for your project? Everything depends on the kind of use case you have.

图像标注工具对比图表

Hope you find them useful.

2D框标注 Bounding Box:

正像它的名字一样,标注员工需要在指定的物体周围画一个框。一般训练用于物体分类和定位的模型。

应用场景:

  1. 运动分析-框选出足球运动员然后为他们归类到特点的组
  2. 框选出施工现场的工具用来分析施工现场是否符合安全标注
  3. 框选损坏的车部位,为保险理赔提供依据。
//rectangles (To be corrected)

"rectangles": [{
		"coordinates": {
			"xmin": 0.38,
			"ymin": 0.19,
			"xmax": 0.57,
			"ymax": 0.44
		},
		"label": "car"
	}]

多边形分割标注:

多边形工具一般用来标注不规则的物体。和框标注不同,多边形标注不会在目标物体周围有很多无关的空白或者其他的物体(多余的空白或者物体可能会让机器模型困惑)。多边形标注在训练定位模型时,会更加准确。

//polygons - We can share both JSON metadata & masked images

"polygons": [{
		"points": {
			"p1": { "x": 0.17, "y": 0.58 },
			"p2": { "x": 0.26, "y": 0.63 },
			"p3": { "x": 0.27, "y": 0.63 },
			"p4": { "x": 0.29, "y": 0.59 },
			"p5": { "x": 0.25, "y": 0.46 },
			"p6": { "x": 0.22, "y": 0.42 }
		},
		"edges": {
			"e1": ["p1", "p2"],
			"e2": ["p2", "p3"],
			"e3": ["p3", "p4"],
			"e4": ["p4", "p5"],
			"e5": ["p5", "p6"]
		},
		"label": "parking_lot"
	}]

线标注:

线标注(也被称作道路标注),即画出车道或者其他的线,经常被用来训练自动驾驶对道路的感知模型。不像框标注,线标注也没有那么多的无意义的空白或者多余的噪音。

{
 "request_id": "",
 "image_url": "",
 "lines": [{
 "line_id" : "5eb732a5-7e66-4212-9782-372908eda25e",
 "points": { //the order of the points is the 
 "p1": { "x": 17, "y": 58 },
 "p2": { "x": 26, "y": 63 },
 "p3": { "x": 27, "y": 63 },
 "p4": { "x": 29, "y": 59 },
 "p5": { "x": 25, "y": 46 },
 "p6": { "x": 22, "y": 42 }
 },
 "label": "single_solid",
 "meta_data" : { //Refer the meta_data section below
 "lane_diverging": "false", 
 "lane_direction": "ongoing", 
 "line_visibility": "inferred",
 "line_occlusion" : "true",
 "lane_to_the_left" : "left_1",
 "lane_to_the_right" : "ego_lane"
 }
 },{}]
}

点标注:

点标注经常用于发现形状变化和对微笑的物体计数。

应用场景:

  1. 发现和识别面部特征
  2. 标注运动中的人体部分
  3. 用来表情和手势识别
//Dot Annotation
[{
		"id": "001",
		"image_url": ["https:///001.jpg"],
		"landmarks": [{
			"points": {
			"p1": { "x": 0.17, "y": 0.58, "label": 1 },
			"p2": { "x": 0.26, "y": 0.63, "label": 2 },
			"p3": { "x": 0.27, "y": 0.63, "label": 3 },
			"p4": { "x": 0.29, "y": 0.59, "label": 4 },
			"p5": { "x": 0.25, "y": 0.46, "label": 5 },
			"p6": { "x": 0.22, "y": 0.42, "label": 6 }
		},
			"label": "nose"
		}, {
			"points": {
			"p1": { "x": 0.17, "y": 0.58, "label": 1 },
			"p2": { "x": 0.26, "y": 0.63, "label": 2 },
			"p3": { "x": 0.27, "y": 0.63, "label": 3 },
			"p4": { "x": 0.29, "y": 0.59, "label": 4 },
			"p5": { "x": 0.25, "y": 0.46, "label": 5 },
			"p6": { "x": 0.22, "y": 0.42, "label": 6 }
		},
			"label": "left-ear"
		}...]
	},
	{
		"id": "002",
		"image_url": ["https:///002.jpg"],
		"landmarks": [{
			"points": {
			"p1": { "x": 0.17, "y": 0.58, "label": 1 },
			"p2": { "x": 0.26, "y": 0.63, "label": 2 },
			"p3": { "x": 0.27, "y": 0.63, "label": 3 },
			"p4": { "x": 0.29, "y": 0.59, "label": 4 },
			"p5": { "x": 0.25, "y": 0.46, "label": 5 },
			"p6": { "x": 0.22, "y": 0.42, "label": 6 }
		},
			"label": "nose"
		}, {
			"points": {
			"p1": { "x": 0.17, "y": 0.58, "label": 1 },
			"p2": { "x": 0.26, "y": 0.63, "label": 2 },
			"p3": { "x": 0.27, "y": 0.63, "label": 3 },
			"p4": { "x": 0.29, "y": 0.59, "label": 4 },
			"p5": { "x": 0.25, "y": 0.46, "label": 5 },
			"p6": { "x": 0.22, "y": 0.42, "label": 6 }
		},
			"label": "left-ear"
		}...]
	}
]

3D立方体标注:

3D立方体经常用于计算车辆的深度和距离

//cuboids
"cuboids": [{
"label": "Pedestrian",
"points": {
"p1": { "x": 0.4164711477938035, "y": 0.3934434942010466 },
"p2": { "x": 0.4238544518253917, "y": 0.3934434942010466 },
"p3": { "x": 0.4238544518253917, "y": 0.4236330040190965 },
"p4": { "x": 0.4164711477938035, "y": 0.4236330040190965 },
"p5": { "x": 0.4164711477938035, "y": 0.4236330040190965 },
"p6": { "x": 0.4164711477938035, "y": 0.4236330040190965 },
"p7": { "x": 0.4164711477938035, "y": 0.4236330040190965 },
"p8": { "x": 0.4164711477938035, "y": 0.4236330040190965 }
},
"front": {
"coordinates": ["p1", "p2", "p3", "p4"]
},
"side": {
"coordinates": ["p2", "p3", "p5", "p6"]
},
"back": {
"coordinates": ["p5", "p6", "p7", "p8"]
}
}
]

语义分割标注:

像素级的语义分割经常用于需要标注图片中的所有像素的实例中。多边形分割一般是把特定的某个物体标注出来,全语义分割用于对场景中的每个像素提供理解

应用场景:

    1. 像素级的物体识别和定位.
{
 "result" : [
 {
 "image_id" : 1
 "points" : {
 "p1" : {'x':x1, 'y':y1},
 "p2" : {'x':x2, 'y':y2},
 "p3" : {'x':x3, 'y':y3}
 }
 "polygons" : [
 {
 "class_id" : 4,
 "instance_id" : 1,
 "class_label" : "person",
 "exterior" : [p1, p2, p3],
 "interior" : []
 }
 ]
 }
 ]
}

一些建议

  1. 尽量用你自己的数据.开源数据集可能能使你的算法达到80%准确度,但是如果你想得到更高的准确率,你需要有自己的数据。
  2. 多边形应该尽量贴合被标注的物体,这样可以提供你的模型的速度和精确度
  3. 要规定框的最小高度和宽度
  4. 选择容易理解的标注标签类别(比如用轿车,然不用车辆)
  5. 对于运动的物体例如(自动驾驶汽车)用框选或者3D立方体标注
  6. 对于静态的物体,用多边形或者线标注.
10个值得收藏的机器视觉标注工具 我们知道寻找良好的图像标记和注释工具对于创建准确且有用的数据集的重要性。随着图像注释空间的增长,我们看到开源工具的可用性激增,这些工具使任何人都可以免费标记他们的图像并从强大的功能中受益。继续阅读,了解计算机视觉标注的 10 个最佳开源工具! 阅读详情

相关推荐

机器视觉中常用开源数据集和免费标注工具

科技巨头如Google,微软,亚马逊等都纷纷宣布在AI领域布局,AI的影响随着深度学习的应用日益深入。机器视觉作为一个热门子领域,无论是在传统金融行业还是最新自动驾驶领域都掀起了一股学习应用的浪潮。 这是多么棒的一件事啊! 但是我们应该如何简单的开始研究机器视觉?以下是几个主要的步骤: 收集大量的数据 标注这些数据 拿到GPUs-训练ML模型需要强大的计算支撑 选择一个算法-训练你的模型-检...

MindFlow——Training Data as a Service 2153

计算机视觉和机器学习应用中的多边形标注介绍

在标注中,2D 框无法准确识别形状不规则的物品。多边形标注可以标注目标的曲线和不同角度,更能准确地反映目标的真实形状

weixin_52509513的博客 993

VisionPro 机器视觉案例 之 骰子点数识别

斑点工具

机器视觉李小白的博客 2103

计算机视觉常见的十种图像标注方法

语义分割是指根据物体的属性,对复杂不规则图片进行进行区域划分,并标注对应上属性,以帮助训练图像识别模型,常应用于自动驾驶、人机交互、虚拟现实等领域。

计算机科研杂货铺 4079

机器视觉工程师如何进行视觉数据标注效率

问题分解:识别了标注效率低下的主要原因,包括手动标注耗时、标注质量不一致等。解决思路:提出了半自动化标注、批量处理、主动学习等多种提高效率的方法。解决方案实现集成预训练模型自动检测物体支持手动调整和创建标注框批量处理功能大幅提高效率友好的用户界面简化操作JSON格式标注便于后续处理工作流优化自动保存当前图像标注自动加载已有标注批量处理未标注图像可调节的置信度阈值这套解决方案能够显著提高视觉数据标注效率,减轻机器视觉工程师的工作负担,同时保证标注质量。

zhangzhechun_02的博客 157

车道线CULane数据集转换代码

车道线检测SCNN中使用CULane数据集转换代码,将json文件转换为灰度图像

从像素到多边形:Labelme核心标注技术全解析

图像标注是计算机视觉任务的基础,而多边形标注因其高精度特性被广泛应用于实例分割、目标检测等领域。Labelme作为一款开源图像标注工具,其核心在于Shape类与Canvas组件的协同工作。本文将深入剖析这两个核心组件的实现原理,展示如何从鼠标点击到生成精确多边形标注的完整流程。 ## Shape类:标注数据的数字骨架 Shape类是Labelme中所有标注形状的基类,定义于[labelme/s...

gitblog_00193的博客 594

车道变换识别软件

hough变换,图像识别。很简单的小程序。代码找不到了,只有程序。

机器视觉自动数据标注方法

(半)自动数据标注的方法基本都是采用类似的思路,即通过少量标注数据进行训练后得到一个预训练模型,然后再次基础上对该网络的输出结果进行人工核验,并进一步地进行训练得到第二轮优化模型,往复循环,增加更多数据提高模型精度。 (强化)主动学习的加入是将人工核验的过程的工作量再进一步地降低,使网络具有一定的自主决策能力,即网络具有理解自己在数据预测上偏差的能力,可为用户提供标注需求进一步改善网络的输出分布。 全自动的数据标注方法目前仍未实现,标注过程均需要人工核验,对数据进行修正、反馈给网络和loss。

茄克不爱说话 1万+

VS Code配合Prettier自动格式化代码

每次修改 .prettierrc.cjs 配置文件后,如果发现保存代码时格式化没有生效,可能是 VS Code 插件缓存未及时刷新。建议此时重启 VS Code,确保新的配置被正确加载并生效。

分享技术,分享经验 7425

短信验证码接收平台完整搭建教程(超详细版,附完整源码)

在网站注册、用户登录、找回密码等功能中,验证码(特别是短信验证码)已成为验证用户身份的常见方式。本教程将详细介绍如何从零搭建一个短信验证码接收平台,用于保存、展示并管理来自短信网关或中间转发程序提交的验证码数据。✅ 教程适合有基本 Python/HTML 基础的开发者🚫 禁止用于任何违法用途,仅供学习参考✅ 支持通过 POST 接口接收短信验证码✅ 支持通过网页实时查看验证码历史记录✅ 验证码信息保存在 SQLite 数据库✅ 支持时间戳排序、查询最新验证码。

weixin_52548902的博客 4575

机器视觉企业实战

这个专栏是偏实战的系列,由浅入深学习机器视觉。最后可以收获:从悬赏一万的项目最后可以做到企业级的视觉应用

lixiemang8887的博客 1736

Delft3D从入门到实践:安装、编译与首次模拟指南

本文为Delft3D初学者提供了一份详尽的从零开始指南。内容涵盖软件获取、许可证申请、图形界面安装、核心计算内核的编译环境搭建与编译步骤,以及最终整合运行首个水动力模拟的全流程。重点解决了Windows系统下Delft3D安装与编译的常见问题,帮助用户快速上手这一开源水动力与泥沙输运模拟工具。

weixin_29303701的博客 542

基于机器视觉的几种标注方法

通过合适的标注工具获得的训练数据可以得到更准确的模型 2D框标注 Bounding Box:标注人员在物体周围画一个框,一般用于物体分类 多边形分割标注:一般用来标注不规则的物体。(更准确, 相比2D框标注多边形分割标注在物体周围留下的空白会更少) 线标注: 也称道路标注, 点标注: 经常用于发现形状变化,(面部识别,手势识别等) 3D立方体标注: 经常用于计算车辆的深度和距离 语义分...

qq_24137739的博客 1736

Nginx反向代理MinIO私有桶签名失效?一招解决Host头校验问题

本文详细解析了Nginx反向代理MinIO私有桶时出现的签名失效问题,重点解决了Host头校验导致的"SignatureDoesNotMatch"错误。通过精准配置proxy_set_header保持Host头一致性,并提供了二级目录代理和调试指南,帮助开发者高效解决这一常见技术难题。

weixin_29201313的博客 321

OpenHarmony之Histreamer引擎深度解析:pipeline_core架构如何全面取代GStreamer,一统音视频播放与录制

Histreamer是OpenHarmony多媒体框架的核心媒体引擎,采用架构设计。一个轻量级的媒体引擎组件,提供播放、录制等场景的媒体数据流水线处理。1.播放场景分为如下几个节点:数据源读取、解封装、解码、输出;2.录制场景分为如下几个节点:数据源读取、编码、封装、输出。该引擎从OH5.0开始取代了原有的媒体引擎gstreamer(部分文档还保留较老架构的讲解),提供统一的音视频播放、录制、元数据解析等能力。

m0_67505153的博客 333

Autolabelimg自动标注工具

Autolabelimg自动标注工具

悠悠小船长的博客 8452

优秀的 Verilog/FPGA开源项目介绍(一)-PCIe通信

优秀的 Verilog/FPGA开源项目介绍(一)-PCIe通信今天开始会陆续介绍一些优秀的开源项目,项目基本都是和FPGA或HDL相关的。对于一些找工作或者急需项目经验的人来说,这些项目...

OpenFPGA的博客 8121

机器视觉在人工智能领域的应用

*图像处理与机器视觉的概念图像处理(Image Processing)是指用计算机对图像进行分析,以达到所需结果的技术。它通常指数字图像处理,即通过计算机对图片进行去噪声、增强、复原、分割、提取特征等的方法和技术。图像处理技术一般包括图像压缩、增强和复原,以及匹配、描述和识别等部分。机器视觉(Machine Vision)则是采用机器代替人眼来做测量和判断。它利用计算机和图像摄取装置(如CMOS和CCD摄像机)来抓取图像,然后将这些图像传送到处理单元进行数字化处理。

KiRoMiRo的博客 1831

静态时序分析—伪路径(set_false_path)

set_false_path应用场景

m0_61544122的博客 2万+

ansys 求解过程中出现未知错误。检查“求解信息”对象上的“求解器输出”,查找可能的原因。-静力学分析遇到的,这是什么原因——An unknown error occurred ——未找到解决方法

点击“确定”关闭弹窗后,进入Workbench的‌“求解信息”对象‌,查看‌“求解器输出”‌,搜索“Error”“Fatal”“Warning”等关键词,找到具体的错误描述,比如材料未定义、网格质量问题、内存不足等,这是精准解决问题的关键。进入“工具-选项-mechanical APDL”,取消勾选“分布式”,GPU加速器选择“none”。在“求解进程设置-高级”中调整内存分配参数,或切换为迭代求解器(如PCG求解器),它更省内存。尝试简化模型,比如删除非关键细节、合并重复部件,分步验证模型,定位问题源。

qq_15963745的博客 633

【机器视觉】标注软件 labelMe和lableImg对比

摘要: LabelImg专注轻量级矩形框标注(目标检测),适合YOLO检测任务,开箱支持YOLO格式,标注速度快;LabelMe支持多边形/分割/关键点标注(精细标注),需转换JSON至YOLO格式,适合不规则物体和分割任务。 选型建议: 检测/大批量/规则物体:选LabelImg(直接输出YOLO格式,高效稳定)。 分割/不规则轮廓:选LabelMe(需脚本转换,支持多边形和关键点)。 关键差异: LabelImg轻量快捷,LabelMe功能全面但转换复杂。

Byronloong 的博客 345

LinePhone3.2.7(android端最新版本) sip客户端

SIP客户端For android:LinePhone3.2.7(最新版本),官网地址:http://www.linphone.org/

上一篇: 基于实例的像素级标注介绍
下一篇: 五分钟了解AI常见术语
AONDATA
博客等级 码龄9年 74粉丝 9原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值