Разметка датасета для системы компьютерного зрения, контролирующей кассы самообслуживания

BPA Tech — компания, разрабатывающая решения в области компьютерного зрения и интеллектуальной видеоаналитики.

Перед командой стояла задача подготовить обучающий датасет для системы компьютерного зрения, которая контролирует соблюдение требований к кассам самообслуживания в торговом зале.

Алгоритм должен был научиться распознавать:

• покупателей;
• сотрудников в различных типах униформы;
• использование мобильного телефона рядом с кассой самообслуживания.

Для этого требовалось оперативно разметить несколько тысяч изображений с камер видеонаблюдения, не увеличивая собственную команду специалистов.

Разметка выполнялась непосредственно в инфраструктуре заказчика с использованием CVAT.
Для проекта была сформирована выделенная команда из 7 асессоров, которые выполняли разметку методом Bounding Box (2D).

Размечались пять классов объектов:

• person;
• uniform_gray;
• uniform_red;
• uniform_cleaner;
• phone.

Кроме того, отдельно отмечались кадры, не содержащие целевых объектов.
Перед началом основной работы была проведена тестовая разметка, которая успешно прошла проверку заказчика и подтвердила соответствие требованиям технического задания.

В ходе проекта заказчик уточнил требования к границам bounding box. Чтобы обеспечить единообразие разметки и исключить повторение системных ошибок, мы пересмотрели процесс контроля качества.

В частности:

• ввели обязательную повторную проверку всех задач;
• сначала отправляли заказчику контрольный джоб на согласование;
• после получения подтверждения перепроверили уже выполненную выборку с учетом согласованных критериев.

Такой подход позволил своевременно скорректировать разметку и обеспечить стабильное качество итогового датасета.

Проект был реализован примерно за три недели. Заказчик получил подготовленный обучающий датасет для дальнейшего обучения системы компьютерного зрения без необходимости расширять собственную команду специалистов по разметке.
Работа велась полностью в инфраструктуре клиента, что позволило сохранить привычные процессы и обеспечить безопасность данных.

Каждый проект по разметке помогает совершенствовать процессы контроля качества. По итогам работы команда Annotate выделили несколько практик, которые особенно важны для подобных задач:

• заранее формализовывать критерии приемки bounding box;
• использовать эталонный набор изображений (golden set) перед массовой разметкой;
• проводить промежуточную приемку первых 5−10% датасета;
• автоматизировать предварительную проверку качества разметки там, где это возможно.

Если вам требуется сбор данных, разметка или подготовка датасета для AI-моделей — оставьте заявку, и мы предложим решение под вашу задачу.

Или посмотрите другие наши кейсы — возможно, мы уже решали похожую задачу.

Оставить заявку →