袁晓晨,张卫山,高绍姝,时 斌,赵永俊,王 冶,安云云

1(中国石油大学(华东)计算机科学与技术学院,青岛 266580)

2(青岛海尔空调电子有限公司 电控模块开发部,青岛 266101)

3(解放军9144 部队,青岛 266102)

4(国网山东省电力公司 青岛市黄岛区供电公司,青岛 266500)

计算机视觉图像识别是人工智能的重要应用,广泛应用在工业、医学、军事、教育、商业、体育、安防检测等行业与领域中.机器学习,尤其是深度学习展现出了针对图像识别领域优秀的识别性能.而机器学习本身需要建立在大量的带有指导意义的既有数据集基础之上.在进行深度学习模型训练流程中,往往需要针对海量图片进行人工数据标注,繁重的图像标注任务增添了大量时间成本.

传统的图像标注工具,如表1所示,大多以单机运行的传统单体式系统架构为主,运行在单机之上,同一时间同一系统运行实例上只允许一个用户对本地资源进行图像标定.当使用传统图像标注工具进行协作标定时,需要用户手动进行图像集的分组并拷贝至协作组员的工作站.协作组员各自完成任务后仍需要用户自行合并制作数据集.由于缺少集中化的图像与工作流,导致传统单机标注工具在协作场景下存在大量的文件与数据传输,在海量图像文件的压缩、打包与传输过程中产生了大量的时间与人工成本.

表1 传统图像标注工具对比

为了解决机器学习图像识别训练的各种前置准备工作费时费力的问题,本……