第二章

圖像任務標注項目任務二

目標檢測標注內(nèi)容概括概念典型應用場景實踐標注操作1.1概念目標檢測，也稱為目標提取，是一種基于目標幾何和統(tǒng)計特征的圖像分割。它將目標的分割和識別合二為一，其準確性和實時性是整個系統(tǒng)的一項重要性能。目標檢測是圖像分類的進階版本，圖像分類只需要辨別圖像中物體的類別即可，而對于目標識別來說，還需要得到目標詳細的坐標信息。在目標檢測任務中，需要輸入一張圖像，然后從整張圖像中辨別出需要識別的目標，指出目標的類別，并且需要標注出目標的位置，并用外接矩形框標出。1.2典型應用場景隨著計算機技術(shù)的發(fā)展和計算機視覺原理的廣泛應用，利用計算機圖像處理技術(shù)對目標進行實時跟蹤研究越來越熱門，對目標進行動態(tài)實時跟蹤定位在智能化交通系統(tǒng)、工業(yè)檢測、智能監(jiān)控系統(tǒng)、軍事目標檢測及醫(yī)學導航手術(shù)中的手術(shù)器械定位等方面具有廣泛的應用價值。1.2典型應用場景在智能化交通系統(tǒng)中，目標檢測主要應用于如下場景：（1）交通流量與紅綠燈控制：通過視覺算法，對道路卡口相機和電警相機中采集的視頻圖像進行分析，根據(jù)相應路段的車流量，調(diào)整紅綠燈配時策略，提升交通通行能力。1.2典型應用場景（2）交通事件檢測：通過視覺算法，檢測各種交通事件，包括非機動車駛?cè)霗C動車道、車輛占用應急車道以及監(jiān)控危險品運輸車輛駕駛員的駕駛行為、交通事故實時報警等，第一時間將異常事件上報給交管部門。1.2典型應用場景（3）交通違法事件檢測和追蹤：通過視覺算法，發(fā)現(xiàn)套牌車輛、收費站逃費現(xiàn)象，跟蹤肇事車輛，對可疑車輛/行人進行全程軌跡追蹤，通過視覺技術(shù)手段，極大地提升公安/交管部門的監(jiān)管能力。目標測標注1.2典型應用場景（4）自動駕駛：自動駕駛是一個多種前沿技術(shù)高度交叉的研究方向，其中視覺相關(guān)算法主要包含對道路、車輛以及行人的檢測，對交通標志物以及路旁物體的檢測識別等。主流的人工智能公司都投入了大量的資源進行自動駕駛方面的研發(fā)，目前已經(jīng)初步實現(xiàn)了受限路況條件下的自動駕駛，但距離實現(xiàn)不受路況、天氣等因素影響的自動駕駛，尚有相當大的一段距離。1.2典型應用場景工業(yè)檢測是計算機視覺的另一個重要應用領(lǐng)域，在各個行業(yè)均有極為廣泛的應用。在產(chǎn)品的生產(chǎn)過程中，由于原料、制造業(yè)工藝、環(huán)境等因素的影響，產(chǎn)品有可能產(chǎn)生各種各樣的問題。其中相當一部分是所謂的外觀缺陷，即人眼可識別的缺陷。在傳統(tǒng)生產(chǎn)流程中，外觀缺陷大多采用人工檢測的方式進行識別，不僅消耗人力成本，也無法保障檢測效果。工業(yè)檢測就是利用計算機視覺技術(shù)中的目標檢測算法，把產(chǎn)品在生產(chǎn)過程中出現(xiàn)的裂紋、形變、部件丟失等外觀缺陷檢測出來，達到提升產(chǎn)品質(zhì)量穩(wěn)定性、提高生產(chǎn)效率的目的。1.2典型應用場景昇騰AI是以昇騰AI基礎(chǔ)軟硬件平臺為基礎(chǔ)構(gòu)建的人工智能計算產(chǎn)業(yè)，昇騰AI基礎(chǔ)軟硬件平臺包括Atlas系列硬件及伙伴硬件、異構(gòu)計算架構(gòu)CANN（ComputeArchitectureforNeuralNetworks）、全場景AI框架昇思MindSpore、昇騰應用使能MindX等。作為昇騰AI的核心，異構(gòu)計算架構(gòu)CANN兼容多種底層硬件設備形態(tài)提供強大的異構(gòu)計算能力，并且通過多層次編程接口，支持用戶快速構(gòu)建AI應用和業(yè)務。能夠很好地完成工業(yè)檢測任務。1.3實踐標注操作此處準備了4張汽車圖像用于標注，圖像中有的只有一輛汽車，有的有多輛汽車。準備數(shù)據(jù)1.3實踐標注操作打開label-studio，在頁面選擇“CreateProject”創(chuàng)建項目，命名為CarDetection，并添加相應描述，如圖所示。創(chuàng)建項目1.3實踐標注操作選擇“DataImport”標簽頁，通過左上角的“UploadFiles”選擇準備好的數(shù)據(jù)，進行導入。兩圖分別為導入數(shù)據(jù)前后的DataImport界面。導入數(shù)據(jù)1.3實踐標注操作導入數(shù)據(jù)后，選擇界面上方的“LabelingSetup”，之后出現(xiàn)如圖所示界面。左邊列表為任務選擇列表，包括ComputerVision、NaturalLanguageProcessing等，根據(jù)不同任務選擇選項，本次的目標檢測任務選擇第一項“ComputerVision”，之后界面右側(cè)會出現(xiàn)八個不同的任務選項，選擇“ObjectDetectionwithBoundingBoxes”。LabelingSetup1.3實踐標注操作選擇項目模板類型后，跳轉(zhuǎn)至如圖所示界面，在該界面的左邊添加圖片中目標檢測的類型。因為只檢測圖像中的汽車，故共設置了一個英文標簽“car”。LabelingSetup1.3實踐標注操作添加完標簽后，便可點擊界面右上角的“Save”按鈕，跳轉(zhuǎn)至如圖所示界面，該界面中展示了所有載入的圖像。LabelingSetup1.3實踐標注操作點擊任務主界面的第一張圖像，便可進入該圖像的標注界面，如圖所示開始標注1.3實踐標注操作在上述界面先選中標簽car，之后點擊圖像上汽車所在位置，鼠標不放并拖動，便會出現(xiàn)一個矩形框，如圖所示開始標注1.3實踐標注操作如果所畫的矩形框的大小和汽車的大小不匹配時，點擊該矩形框，矩形框則會變?yōu)榭勺兇笮〔⑶铱梢苿訝顟B(tài)，如圖所示，此時，通過拖動或者改變矩形框大小，使得該矩形框與汽車大小完全匹配，匹配后點擊右上角的Submit即可。開始標注1.3實踐標注操作對于圖像的標注過程也可以不在此處進行，通過任務主界面的LabelAllTasks按鈕，則會進入到如圖所示界面。于該界面中同樣可對圖片進行標注操作，標注完成后，點擊右上角的Submit按鈕即可跳轉(zhuǎn)到下一張圖像的標注界面，如果當前圖片中沒有汽車，則可點擊界面右上角的Skip按鈕，跳過該圖像的標注過程。開始標注1.3實踐標注操作對于已經(jīng)標記了的圖像，可通過左上角的<、>進行圖像的切換，若想改變某張圖像的標注內(nèi)容，則可通過“<”、“>”切換到該圖像，更新該圖像的標注內(nèi)容后，點擊右上角的“Updata”提交變更。當圖像中出現(xiàn)多個目標時，使用多個矩形框逐個將其標注即可，如圖所示。開始標注1.3實踐標注操作所有圖像標注完成之后，便會跳轉(zhuǎn)到如圖所示界面，代表所有圖像均已處理完成。開始標注1.3實踐標注操作點擊界面左上角的CarDetection便可查看圖片的標注情況，如圖所示，其中第一列數(shù)據(jù)代表圖像id，第二列代表標注時間，第三列代表標注與否，1為標注完成，0為未標注，第四列代表是否跳過標注，1代表跳過，0代表未跳過。開始標注1.3實踐標注操作若要導出最終的標注結(jié)果，則可點擊主界面右上角的Export按鈕，便會出現(xiàn)如圖所示界面，根據(jù)處理任務的不同會顯示不同文件生成結(jié)果，由于本節(jié)任務是目標檢測，所以，可以生成如圖所示的七類文件，若要導出哪種文件到本地，選中其后，點擊右下角Export即可。當然，也可以將這七類文件全部導出。導出結(jié)果1.3實踐標注操作將所需文件導出到本地后，可以進行查看，此處導出的JSON格式文件（由于篇幅過大，只展示了部分數(shù)據(jù)）如圖所示。結(jié)果展示[{

"id":94,

"annotations":[{

"id":95,

"completed_by":1,

"result":[{

"original_width":1080,

"original_height":659,

"image_rotation":0,

"value":{

"x":17.33333333333333,

"y":53.27510917030566,

"width":13.333333333333336,

"height":21.179039301310013,

"rotation":0,

"rectanglelabels":["Car"]},

"id":"Yq-t9cB1EO",

"from_name":"label",

"to_name":"image",

"type":