有研究稱，他們使用一種技術在一周內清理了 PASCAL VOC 2012 數據集中的 17120 張圖像，并發現 PASCAL 中 6.5% 的圖像有不同的錯誤（缺失標簽、類標簽錯誤等）。他們在創紀錄的時間內修復了這些錯誤，并將模型的性能提高了 13% 的 mAP。

通常情況下，模型性能較差可能是由于訓練數據質量不高引起的。即使在 2022 年，由于數據是公司最重要的資產之一，開發人員也經常因數據質量低劣而感到工作棘手。本文中，總部位于德國柏林的面向視覺 AI 從業者的下一代注釋工具提供商 Hasty，希望通過更快、更高效地清理數據來簡化和降低視覺 AI 解決方案開發的風險。

他們開發了 AI Consensus Scoring (AI CS) 功能，它是 Hasty 生態系統的一部分（Hasty 是該公司開發的一個端到端的 AI 平臺，可讓 ML 工程師和領域專家更快地交付計算機視覺模型，從而縮短變革性產品和服務的上市時間），該功能使得手動共識評分（consensus scoring）成為過去，其將 AI 集成到質量控制流程中，使其更快、更便宜，并且隨著用戶添加的數據越多，性能擴展越好。

本文中，研究者將利用 AI CS 功能來改進、更新和升級最流行的目標檢測基準數據集 PASCAL VOC 2012 。

我們先來簡單介紹一下 PASCAL，它是一個著名的學術數據集，可用于目標檢測和語義分割等視覺 AI 任務的基準模型。PASCAL 已有十多年的歷史，現在還一直被廣泛使用，近 4 年就有 160 篇論文使用它。

PASCAL 在過去十年中沒有改變，世界各地的團隊在科研中都保持該數據集的「原樣」進行科研。但是，該數據集是很久以前注釋的，當時算法還沒有今天準確，注釋要求也沒有那么嚴格，會出現很多錯誤。例如下圖所示：盡管馬是在前景并且可見，但沒有馬的標簽，這些質量問題在 PASCAL 中很常見。

如果讓人工來處理 PASCAL 數據集，成本高昂且非常耗時，該研究使用 AI 進行質量控制并提高 PASCAL 的質量，他們的目的是如果數據質量足夠好，模型性能會不會隨之提高，為了執行這個測試，他們設置了一個包含以下步驟的實驗：

• 在 Hasty 平臺上使用 AI Consensus Scoring 功能清洗 PASCAL VOC 2012；
• 使用 Faster R-CNN 架構在原始的 PASCAL 訓練集上訓練自定義模型；
• 使用相同的 Faster R-CNN 架構和參數，在清理后的 PASCAL 訓練集上準備一個自定義模型；
• 實驗之后，得出結論。

下面為實驗過程，以第一人稱進行編譯整理， 看看他們是如何做到的以及結果如何？

清洗 PASCAL VOC 2012

我們的首要任務是改進數據集。我們從 Kaggle 獲得數據集，將其上傳到 Hasty 平臺，導入注釋，并安排兩次 AI CS 運行。對于那些不熟悉我們 AI CS 功能的人，該功能支持類、目標檢測和實例分割審查，因此它會檢查注釋的類標簽、邊界框、多邊形和掩碼。在進行審查時，AI CS 會尋找額外或缺失的標簽、偽影、錯誤類別的注釋，以及形狀不精確的邊界框或實例。

PASCAL VOC 2012 包含 17.120 張圖像和 20 個不同類別的約 37.700 個標簽。我們已經針對 28.900 (OD) 和 1.320 (Class) 潛在錯誤任務運行了目標檢測和類別審查。

AI CS 可以讓你發現潛在問題。然后，你可以專注于修復錯誤，而無需花幾天或幾周的時間來查錯。

我們要檢查這些潛在錯誤并解決它們，最重要的是，我們希望修改后的注釋比原始注釋器更準確。具體包括：

• 當 AI CS 檢測到潛在錯誤時，我們嘗試修復每張圖像上所有可能出現的這些錯誤；
• 我們沒有打算注釋每個可能的目標，如果注釋遺漏了一個目標，并且在前景中或在沒有縮放的情況下肉眼可見，我們就注釋它；
• 我們試圖讓邊界框像像素一樣完美；
• 我們還對部分（數據集類目標未注釋部分）進行了注釋，因為原始數據集具有它們的特性。

有了上述目標，我們首先檢查了現有注釋類標簽的類審查運行，試圖找出潛在的錯誤。超過 60% 的 AI CS 建議非常有用，因為它們有助于識別原始數據集不明顯的問題。例如，注釋器將沙發和椅子混淆。我們通過重新標記整個數據集的 500 多個標簽來解決這個問題。

原始注釋示例。圖中有兩張沙發和兩把扶手椅。兩把扶手椅中的一張標注為沙發，而另一把則標注為椅子。

修改后的標注，扶手椅是椅子，沙發是沙發。

在分析 OD 和 Class 審查時，我們發現 PASCAL 最突出的問題不是錯誤分類注釋、奇怪的邊界框或額外的標簽。它最大的問題是缺少許多潛在的注釋。我們很難估計確切的數字，但我們覺得有數千個未標記的目標應該被標記。

OD 審查通過數據集，尋找額外或缺失的標簽和錯誤形狀的邊界框。并非所有缺失的注釋都被 AI CS 突出顯示，但我們已盡最大努力改進 AI CS 預測的至少有一個缺失標簽的所有圖片。結果，OD 審查幫助我們在 1.140 張圖像中找到了 6.600 個缺失注釋。

我們花了大約 80 個小時來審查所有建議并清理數據集，這是一個了不起的結果。

在原始 PASCAL 上訓練自定義模型

如上所述，我們決定設置兩組實驗，訓練兩個模型，一個在初始的 PASCAL 上，另一個在經過清理的 PASCAL 版本上。為了進行神經網絡訓練，我們使用了 Hasty 另一個功能：Model Playground，這是一個無需編碼的解決方案，允許你在簡化的 UI 中構建 AI 模型，同時保持對架構和每個關鍵神經網絡參數的控制。

在整個工作過程中，我們對模型進行了多次迭代，試圖為任務找到最佳超參數。最后，我們選擇了：

• 以 ResNet101 FPN 為骨干的更快的 R-CNN 架構；
• 采用 R101-FPN COCO 權值進行模型初始化；
• 模糊，水平翻轉，隨機剪切，旋轉和顏色抖動作為增強；
• AdamW 為求解器，ReduceLROnPlateau 為調度器；
• 就像在其他 OD 任務中一樣，使用了損失組合（RPN Bounding Box 損失、RPN 分類損失、最終 Bounding Box 回歸損失和最終分類損失）；
• 作為指標，我們有 COCO mAP，幸運的是，它直接在 Model Playground 中實現。

大約一天半的時間來訓練。假設架構的深度、網絡正在處理的圖像數量、計劃的訓練迭代次數（10.000）以及 COCO mAP 在 5.000 張圖片中每 50 次迭代計算的事實，它并沒有花費太長時間。以下是模型取得的結果：

原始模型訓練迭代的平均損失。

跨原始模型驗證迭代的 COCO mAP 圖。

使用這種架構實現的最終 COCO mAP 結果是驗證時的 0.42 mAP。在原始 PASCAL 上訓練的模型的性能不如最先進的架構。盡管如此，考慮到我們在構建模型上花費的時間和精力很少（經歷了 3 次迭代，每次花費 1 小時），這仍然是一個不錯的結果。無論如何，這樣的結果會讓我們的實驗更有趣。讓我們看看是否可以在不調整模型參數的情況下，通過改進數據來獲得所需的指標值。

在更新的 PASCAL 上訓練的自定義模型

在這里，我們采用相同的圖像進行訓練和驗證，以訓練以下模型作為基線。唯一的區別是拆分中的數據更好（添加了更多標簽并修復了一些標簽）。

不幸的是，原始數據集并沒有在其訓練 / 測試集拆分中包含 17120 個圖像中的每一個，有些圖片被遺漏了。因此盡管在原始數據集中添加了 6600 個標簽，但在訓練 / 測試拆分中，我們只得到了大約 3000 個新標簽和大約 190 個修復標簽。

盡管如此，我們繼續使用 PASCAL VOC 2012 改進后的訓練 / 測試拆分來訓練和驗證模型，看看效果如何。

更新模型的訓練迭代中的 AverageLoss 圖。

更新模型的驗證迭代中的 COCO mAP 圖。

直接比較

正如我們所見，新模型的性能優于原始模型。與之前模型的 0.42 值相比，它在驗證時達到了 0.49 COCO mAP。這樣看很明顯實驗是成功的。

結果在 45-55 COCO mAP 之內，這意味著更新后的模型比原始模型效果更好，并提供了所需的度量值。是時候得出一些結論并討論我們剛剛目睹的情況了。

結論

本文展示了以數據為中心的 AI 開發概念。我們的思路是通過提升數據以獲得更好的模型，進而也獲得了想要的結果。如今，當模型開始接近性能的上限時，通過調整模型將關鍵指標的結果提高 1-2% 以上可能是具有挑戰性且成本高昂的事。但是，你不應該忽略構建機器學習并不僅僅是模型和參數，還有兩個關鍵組成部分——算法和數據。

在該研究中，我們并沒有試圖擊敗任何 SOTA 或獲得比此前研究更好的結果。我們希望通過實驗結果展示：花費時間改進數據有利于模型性能。希望通過添加 3000 個缺失標簽使 COCO mAP 增加 13% 的案例足夠令人信服。

通過清理數據和向圖像添加更多標簽可以獲得的結果很難預測。效果很大程度上取決于你的任務、NN 參數和許多其他因素。即使在本文的例子中，我們也不能確定多 3000 個標簽會是能帶來額外 13% mAP 的。盡管如此，結果不言自明。雖然有時很難確定通過獲得更好的數據來改進模型指標的上限，這是值得嘗試的方向。