ai数据标注应该如何学习|

ai数据标注应该如何学习

数据标注最基本的就是画框，比如检测目标是车，标注员就需要把一张图上的所有车都标出来，画框要完全卡住车的外接矩形，框得不准确机器就可能“学坏”。再比如人的姿态识别，就包括18个关键点，经过训练的标注员才能掌握这些关键点的标注，标注完成的数据也才能符合机器学习的标准。

无人零售、无人驾驶等都需要大量的人力，基于用工成本的问题，除了隐私数据之外，他们会把标注工作放在第三世界国家完成，马来西亚、泰国、印度等国家都有数据标注分公司。

常见的报道中，数据标注总被描述为“血汗工厂”，这项工作和从业者被描述得廉价低质，人被重复性机械式的劳动异化。在王金桥的解释下，这一刻板印象也被逐渐打破。

目前这种大量的人工标注是有价值的，因为理论上解决问题很难，但有了大量数据，设计深度学习网络，可以在特定场景特定应用中用数据训练神经网络，从而在很多场景中可以让AI快速落地占领市场、驱动行业应用、促进行业升级和迭代。

ai数据标注是什么

数据标注有许多类型，如分类、画框、注释、标记等等，例如我们学习认识苹果，那么就需要有人拿着一个苹果到你面前告诉你，这是一个苹果。然后以后你遇到了苹果，你就知道这叫做“苹果”。类比机器学习，我们要教他认识一个苹果，我们得先有苹果的图片，上面标注着“苹果”两个字，然后机器通过学习了大量的图片中的特征，这时候再给机器任意一张苹果的图片，它就能认出来了。

常见的几种数据标注类型

分类标注：分类标注，就是我们常见的标签；一般是从既定的标签中选择数据对应的标签，是封闭集合。常见标签：成人、女、黄种人、长发等。

标框标注：机器视觉中的标框标注，就是框选要检测的对象；如人脸识别，首先要先把人脸的位置确定下来，然后进行识别。

区域标注：相比于标框标注，区域标注要求更加精确，边缘可以是柔性的，比如道路识别。

描点标注：一些对于特征要求细致的应用中常常需要描点标注，人脸识别、骨骼识别等。

其他标注：根据不同的需求则需要不同的标注，如自动摘要，就需要标注文章的主要观点。

|ai数据标注应该如何学习