Открыть сервисСервис

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

ТипОписаниеПрименение
КлассификацияОдна метка на всё изображениеОпределение жанра, категории снимка
Обнаружение объектовОграничивающие рамки (bounding boxes) с классамиАвтономные системы, видеонаблюдение
Семантическая сегментацияМаска для каждого пикселя по классамМедицинская диагностика, картография
Инстанс-сегментацияОтдельная маска для каждого объектаРобототехника, розничная аналитика
Ключевые точкиКоординаты характерных точек (суставы, черты лица)Позы, жесты, биометрия
Сквозная сегментация (tracking)Метки объектов, связанных между кадрамиВидеоаналитика

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:

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
Заметили ошибку или не согласны с информацией в статье? Напишите нам support@bfometr.ru