Разметка изображений¶
Разметка изображений — процесс аннотирования графических данных, при котором человек или алгоритм присваивает изображениям (или их частям) метаданные: классы объектов, координаты ограничивающих рамок, маски, ключевые точки, подписи. Является ключевым этапом подготовки обучающих данных для задач компьютерного зрения и машинного обучения.
¶Основные типы разметки
| Тип | Описание | Применение |
|---|---|---|
| Классификация | Одна метка на всё изображение | Определение жанра, категории снимка |
| Обнаружение объектов | Ограничивающие рамки (bounding boxes) с классами | Автономные системы, видеонаблюдение |
| Семантическая сегментация | Маска для каждого пикселя по классам | Медицинская диагностика, картография |
| Инстанс-сегментация | Отдельная маска для каждого объекта | Робототехника, розничная аналитика |
| Ключевые точки | Координаты характерных точек (суставы, черты лица) | Позы, жесты, биометрия |
| Сквозная сегментация (tracking) | Метки объектов, связанных между кадрами | Видеоаналитика |
¶Методы и инструменты
Разметка выполняется вручную, полуавтоматически и автоматически. Ручная разметка считается наиболее точной, но требует значительных трудозатрат. Полуавтоматические системы используют предварительные предсказания модели, которые человек корректирует. Автоматическая разметка строится на активном обучении, переносе меток между похожими изображениями и генеративных моделях.
Среди распространённых инструментов — LabelImg, CVAT (Computer Vision Annotation Tool), Labelbox, Prodigy, V7 Go, Roboflow. CVAT, разработанный компанией Intel, поддерживает разные типы разметки и интегрируется с пайплайнами обучения моделей. LabelImg — утилита с открытым исходным кодом для разметки рамками в формате PASCAL VOC и YOLO.
¶Разметка в России
В России разработкой инструментов для разметки данных занимается ряд компаний и исследовательских групп. Платформа «Сбербанк» и «Яндекс» используют внутренние системы аннотирования для задач компьютерного зрения. Открытые инструменты, такие как CVAT, активно применяются в российских ИТ-проектах и образовательных программах по искусственному интеллекту.
Российский рынок услуг по разметке данных представлен как крупными компаниями, так и фриланс-платформами. Заказчиками выступают банки, страховые компании, производители, государственные структуры. Стандартизация качества разметки остаётся открытой проблемой: для разных задач применяются разные метрики согласованности аннотаторов (например, коэффициент Коэна или метрика IoU).
¶Качество разметки
Точность разметки напрямую влияет на качество итоговой модели. Основные источники ошибок:
- субъективность аннотатора при неоднозначных границах объектов;
- пропуски объектов, особенно мелких или частично перекрытых;
- непоследовательность между разными аннотаторами;
- ошибки в классификации при нечётких классах.
Для контроля качества используются перекрёстные проверки, золотые наборы (gold sets), автоматические валидационные правила и статистические метрики согласованности.
¶Применение
Разметка изображений применяется в широком спектре задач:
- Автономные транспортные системы — распознавание пешеходов, транспортных средств, дорожных знаков.
- Медицина — выделение опухолей, органов, патологий на снимках МРТ, КТ, рентгенографии.
- Промышленность — контроль качества продукции, обнаружение дефектов.
- Сельское хозяйство — подсчёт культур, диагностика болезней растений по снимкам.
- Розничная торговля — распознавание товаров на полках, автоматизация касс.
- Безопасность — видеонаблюдение, распознавание лиц, поведенческая аналитика.
¶Стоимость и трудозатраты
Разметка остаётся одним из самых трудоёмких этапов создания систем компьютерного зрения. Стоимость аннотирования одного изображения варьируется в зависимости от сложности задачи: от нескольких копеек за простую классификацию до нескольких долларов за сложную сегментацию с высокой детализацией. На подготовку обучающего набора для современных моделей уходят месяцы работы десятков аннотаторов.
¶Источники
- Сборники статей по компьютерному зрению (CVPR, ICCV, ECCV)
- Документация CVAT (Intel)
- Материалы конференций по искусственному интеллекту
