Neurala为Brain Builder添加了视频注释工具,以加速AI数据准备释工具,以加速AI数据准备

波士顿 - Neurala公司今天推出了一款新的视频标注工具,该工具由Brain Builder平台的人工智能辅助。“自动视频注释将显着加速神经网络的数据标注,从而帮助组织更快地培训和部署AI,”该公司表示。

标记图像和视频对于开发用于建模和训练AI应用程序的数据集至关重要。Neurala  以软件即服务(SaaS)为基础提供Brain Builder,以帮助简化深度学习的创建,分析和管理。

Neurala的联合创始人兼首席执行官Massimiliano Versace说:“人工智能数据准备的传统方法极其耗时且耗费人力,需要大量数据,需要经过精心和昂贵的注释。” “我们与Brain Builder的目标是通过易于使用的注释工具降低进入门槛。通过添加视频注释,我们能够进一步自动化数据准备,帮助组织将AI数据准备的时间和成本降低至少50%。“

Neurala的专利和获奖技术源于2006年NASA,DARPA和空军研究实验室的神经网络研究。2013年,该公司加入了Techstars商业化计划。

“每个人都想要AI,但他们不知道为什么,”Neurala的联合创始人兼首席运营官Heather Ames Versace说。“视频注释工具是终身AI技术堆栈的一部分,可提供透明度。”

启用AI的注释可节省时间,提高工作效率

当用户标记视频中的人物,物体或缺陷时,Neurala的新工具可以反复学习。Neurala表示,在用户在第一帧中标记感兴趣的项目后,该工具会自动在后续帧中注释相同的项目。

例如,如果五个人输入一个框架,则在用户仅用一个人标记第一个框架后,它们将全部自动注释。相比之下,用户必须在他或她进入框架时标记每个人,这将花费更多的时间。

此外,AI辅助视频注释可以提高标签处理速度并提高生产力,Heather Ames Versace告诉“ 机器人商业评论”

例如,用户可以注释10秒视频的一帧并获得300个注释的输出,而使用传统的注释方法,用户需要手动标记300个不同的图像才能获得相同的结果,Neurala说。

“可解释性和信任始于数据,”Heather Ames Versace在最近的AI World大会上说。“通过在更短的时间内对数据进行注释和标记,团队可以进行更快速的原型设计。”

用Brain Builder存钱

“最终,它将帮助组织和开发人员更有效,更具成本效益地构建,培训和部署人工智能,”Massimiliano Versace说。“当涉及视觉AI的构建方式时,Neurala的Brain Builder平台已经在改变游戏规则。而现在,视频注释将进一步扩大可访问性和生产力的可能性。“

Neurala说,Brain Builder还可以提供可观的投资回报。使用Brain Builder,组织可以以每小时6,750美元的视频进行注释,而没有它的则为13,500美元。

Neurala发布  了一个教程  ,概述了使用Brain Builder在视频中标记对象的过程和好处。它还解释了如何使用TensorFlow训练语义分段网络。

此外,本教程还引导观众了解跨多个GPU的培训步骤,这可以进一步缩短培训时间。



推荐文章

        随着互联网新媒体的迅速发展,以今日头条、火山、抖音、快手等社交媒体也迎来了爆发性的成长 ,无论是偏远的大山深处还是农村在家带孩子的妇女,宝妈群体各行各来的人们获取信息的速度和途径都 显得极其多样化,快速化,网络的信息量也是爆炸性的成长。       那么在这个信息量爆炸性增长的时代各种各样的宣传广告信息也铺天盖地的覆盖到网络上,在这中间人工智能数据标注行业也被一些发现商机的人们给迅速的利用并宣传推广开来。各种数据标注加盟推广的广告让相当一部分人以为是机会的到来从而争相进入这个行业。       对于了解很多数据标注行业宣传而打算进入数据标注行业的人来说选择代理加盟对他们来说也是最便捷快速的途径。其实也有相当一部分人刚开始始终对数据标注项目加盟到底怎么样?心理很是没底。甚至是网络上也出现了数据标注加盟就是骗人的?这种声音,那么今天我们就结合点我科技 这几年的行业经验给N多新入行或者打算入行做数据标注的人来分析下数据标注加盟到底怎么样?数据标注加盟是不是骗人的?       首先在这里给大家表达下我们的观点:数据标注项目加盟能做,但是我们不建议对行业不了解的人盲目的去做,高加盟费的公司更不可信。数据标注这个项目本身并不存在骗人的说法,而说数据标注加盟骗人的这部分人也是因为对行业的不了解盲目的相信加盟商宣传而来到这个行业的人,对他们来说做了段时间才发现现实情况 和数据标注加盟商说的相差太远。        那么为什么我们说“数据标注加盟能做,但是我们不建议对行业不了解的人盲目的去做,高加盟费的公司更不可信”:        一、对于既然想赚钱想做项数据标注目做加盟的人来说大家都是成年人,我们不管做任何事情都要先做仔细的调查分析,对行业有更可能多的了解,光听别人的宣传而盲目去投资做项目这样子大多数人是不会赚到钱的。        二、从数据标注行业本身来说,数据标注行业快速发展也已经两三年了,对行业稍有了解的人都知道这行业进入门槛低,所以就导致大量的人涌入这个行业,但是真正能在这个行业做好做大并能赚到钱的人是少数的。目前数据标注行业竞争激烈大大小小的工作室 公司为了维持人员 保证有项目做 导致行业市场价格极其的低,利润也是很低。还有就是目前市场上能接到一手甲方项目的公司是少数的,多数工作室公司自己根据接不到一手的项目,手上的数据标注项目都是转包二手三手甚至更多手的情况 ,层层转包利润就更不可能会高了,尤其是目前搞数据标注招商加盟的公司他们大多数公司都是没什么能力接一手甲方的,什么宣传的包培训保证有项目做都是想法设法的搞来些项目,但具体的项目难度员工产出利润那就绝对保证不了的。        三、高加盟费的数据标注公司合作也要慎重再慎重的,目前行业利润已经很低了,入行后短时间内根本就无法拿到甲方一手的项目,标注项目的最大特点就是项目周期短,没有稳定持久性,项目质量要求不断的提高,人员素质的要求也是不断的提高等等这些因素无论是对个人、工作室还是公司在质量要求、人员效率都是极大的挑战。        接下来我们说下为什么有些人会说 数据标注项目是骗人的:        首先来说其实道理和上面讲的差不多,准备做项目前没有仔细认真的去做调查分析就盲目的加盟数据标注行业本身风险就非常大,这部分人就是因为盲目的听信加盟商的推广宣传而头脑发热来从事这行的,他们进入到这行一段时间发现一切并不象加盟商宣传的那么好,行业利润极低,一手项目接不到,项目质量要求高等等原因与预期期望落差太大而千万心理不平衡。        其次就是从数据标注项目本身来说的,虽然这行看似门槛低但是无论对个人工作室还是对公司来说综合要求还是比较全面的,例如项目的合作沟通,团队管理,品质质量的管控、风险控制等等这些都是考验能否做好数据标注项目的重要因素。        最后给想要从事数据标注的个人工作室公司个忠告:做任何项目一定要做最行业调查分析,不要盲目的相信宣传广告,理性创业,理性赚钱,赚钱不容易做好赚钱的项目更不容易。

热门文章

简单讲:互联网数据标注员是借助电脑或者移动设备对一些原始的数据进行处理,生产出满足AI公司机器学习需要数据的一群人。按照数据处理对象的不同,工作内容也会有差别,标注员的工作内容可以分为:分类;框选;注释;标记。按照所处公司的不同,标注员的工作方式也会有差别:有的人工智能公司处于对数据安全性考虑会自建标注团队,在这些公司工作的标注员可以保证自己工作内容不会出现太大变动;但一些服务于人工智能公司非专业外包公司标注员的工作则是项目制的,一个项目忙完紧接着做另一个项目,这样工作内容连续性较差,对一种类型的项目经验也不会积累的太多。就目前来说,人工智能还处于人工增长阶段,机器依然需要大量的数据进行训练,测试。标注员在当下也会一直存在,而且从业群体会越来越多,所以暂时不用担心这份职业会不会短期消失。就标注员从业来说,建议选择人工智能公司和专业的数据公司,这样可以保证自己在一个方向上了解的足够深入。就职场晋升来说,以牛牛数据为例:标注员——项目经理——项目总监——数据运营总监。首先谈谈什么是数据标注。数据标注有许多类型,如分类、画框、注释、标记等等,我们会在下面详谈。要理解数据标注,得先理解AI其实是部分替代人的认知功能。回想一下我们是如何学习的,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,你才知道这玩意儿叫做“苹果”。类比机器学习,我们要教他认识一个苹果,你直接给它一张苹果的图片,它是完全不知道这是个啥玩意的。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。这边可以顺带提一下训练集和测试集的概念。训练集和测试集都是标注过的数据,还是以苹果为例子,假设我们有1000张标注着“苹果”的图片,那么我们可以拿900涨作为训练集,100张作为测试集。机器从900张苹果的图片中学习得到一个模型,然后我们将剩下的100张机器没有见过的图片去给它识别,然后我们就能够得到这个模型的准确率了。想想我们上学的时候,考试的内容总是不会和我们平时的作业一样,也只有这样才能测试出学习的真正效果,这样就不难理解为什么要划分一个测试集了。我们知道机器学习分为有监督学习和无监督学习。无监督学习的效果是不可控的,常常是被用来做探索性的实验。而在实际产品应用中,通常使用的是有监督学习。有监督的机器学习就需要有标注的数据来作为先验经验。在进行数据标注之前,我们首先要对数据进行清洗,得到符合我们要求的数据。数据的清洗包括去除无效的数据、整理成规整的格式等等。具体的数据要求可以和算法人员确认。二、常见的几种数据标注类型1.分类标注:分类标注,就是我们常见的打标签。一般是从既定的标签中选择数据对应的标签,是封闭集合。如下图,一张图就可以有很多分类/标签:成人、女、黄种人、长发等。对于文字,可以标注主语、谓语、宾语,名词动词等。<img src="https://pic2.zhimg.com/50/v2-df93dc0a7e8a5fe387dc3774748b5f05_hd.jpg" data-caption="" data-size="normal" data-rawwidth="700" data-rawheight="400" class="origin_image zh-lightbox-thumb" width="700" data-original="https://pic2.zhimg.com/v2-df93dc0a7e8a5fe387dc3774748b5f05_r.jpg">适用:文本、图像、语音、视频应用:脸龄识别,情绪识别,性别识别2.标框标注:机器视觉中的标框标注,很容易理解,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。行人识别,如下图。<img src="https://pic2.zhimg.com/50/v2-7824903d6d840e2bb08d96b5c2fa5874_hd.jpg" data-caption="" data-size="normal" data-rawwidth="591" data-rawheight="398" class="origin_image zh-lightbox-thumb" width="591" data-original="https://pic2.zhimg.com/v2-7824903d6d840e2bb08d96b5c2fa5874_r.jpg">适用:图像应用:人脸识别,物品识别3.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。如自动驾驶中的道路识别。<img src="https://pic3.zhimg.com/50/v2-4bc1dd2278182acf94fc426d7e6f2dc1_hd.jpg" data-caption="" data-size="normal" data-rawwidth="601" data-rawheight="377" class="origin_image zh-lightbox-thumb" width="601" data-original="https://pic3.zhimg.com/v2-4bc1dd2278182acf94fc426d7e6f2dc1_r.jpg">适用:图像应用:自动驾驶4.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。<img src="https://pic4.zhimg.com/50/v2-5e24f394516c75e45942c37ba0da85c0_hd.jpg" data-caption="" data-size="normal" data-rawwidth="583" data-rawheight="387" class="origin_image zh-lightbox-thumb" width="583" data-original="https://pic4.zhimg.com/v2-5e24f394516c75e45942c37ba0da85c0_r.jpg">适用:图像应用:人脸识别、骨骼识别5.其他标注:标注的类型除了上面几种常见,还有很多个性化的。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,这时候的标注严格上就不属于上面的任何一种了。(或则你把它归为分类也是可以的,只是标注主要观点就没有这么客观的标准,如果是标注苹果估计大多数人标注的结果都差不多。)三、有什么发展前途?数据标注员可以说是AI消灭了一部分工作又创造出来的一种工作。在未来AI发展良好的前提下,数据的缺口一定是巨大的。可以预见3-5年内数据标注员的需求会一直存在。至于发展,其实所谓一些熟能生巧的工作,都是有被替代掉的风险的。深度学习解决的一件事情就是熟能生巧。在这个岗位上,其实你的一些想法就代表了AI的想法,AI会根据你标注的数据进行学习,想想还是有点成就感的。数据标注可以说是AI的入门级岗位,未来可转向其他AI岗位。如项目实施顾问等,这就要求更多的工作技能,需要再工作中积累。作者:跹尘链接:https://www.zhihu.com/question/30654399/answer/264828926来源:知乎著作权归作者所有。商业转载请联系作者获得授权,非商业转载请注明出处。