識別算法的性能提升依靠大量的圖像標(biāo)注，傳統(tǒng)模式下，需要人工對同類型數(shù)據(jù)集進(jìn)行一步步手動拉框，這個(gè)過程的痛苦只有做過的人才知道。

越多素材的數(shù)據(jù)集對于算法的提升越有幫助，常規(guī)情況下，一個(gè)20秒時(shí)長30幀的視頻就多達(dá)兩三百張畫面需要標(biāo)注，如果視頻時(shí)長或者視頻的幀速率增加，需要標(biāo)注的幀畫面將會更多。

我們曾試過標(biāo)注一個(gè)時(shí)長為1分30秒幀速率為60的視頻，需要標(biāo)注的畫面竟然多達(dá)5000多張，當(dāng)我標(biāo)注到500張的時(shí)候，整個(gè)人都已經(jīng)麻木，并且出現(xiàn)情緒波動，望著剩下的4500多張待標(biāo)注畫面，直接頭皮發(fā)麻，怎么都不想繼續(xù)了。

長時(shí)間一直進(jìn)行這樣的圖像標(biāo)注工作，那無疑是枯燥而乏味的，手酸不說，更多的是精神上的折磨，進(jìn)而效率大打折扣。但這又是算法提升的必要途徑，無法跳過，當(dāng)項(xiàng)目緊急時(shí)，甚至需要多人加班加點(diǎn)趕進(jìn)度。

這樣的痛苦現(xiàn)狀急需改變！

慧視光電的算法工程師為了提高這一的效率，開發(fā)了一個(gè)深度學(xué)習(xí)算法開發(fā)平臺SpeedDP。

它的基本邏輯是基于手動標(biāo)注一定量的數(shù)據(jù)集進(jìn)行算法訓(xùn)練，形成一個(gè)可用的預(yù)選模型（如果已有模型可以直接使用），然后訓(xùn)練一定階段后，可以評估此模型的能力，如果能夠滿足使用就可以對相同目標(biāo)的新數(shù)據(jù)集（未進(jìn)行任何標(biāo)注）進(jìn)行AI自動化標(biāo)注。

這一過程的省去了大量需要對新數(shù)據(jù)集的手動拉框工作，同時(shí)也在不斷反哺此模型算法，幫助提升性能。

如此反復(fù)，工作效率將大大提升。

SpeedDP主要支持YOLO系列目標(biāo)檢測算法，包括YOLOx、YOLOv8、YOLOv10等，目前仍在不斷更新升級以滿足更多市場需求。