如何快速准备高质量的 AI 数据？

摘要：随着 AI 的快速发展，如何快速准备大量高质量的数据已经成为 AI 开发过程中一个极具挑战性的问题！

本文分享自华为云社区《如何快速准备高质量的AI数据？》，原文作者：徐波。

一、背景

通常来讲，AI 人工智能的三要素是数据、算法和算力。这三要素缺一不可，都是人工智能快速发展的必备条件。这一轮 AI 热潮得以快速发展，也正是得益于这三个要素已经准备就绪。数据的质量会影响模型的精度，一般来说，大量高质量的数据更有可能训练出高精度 AI 模型。现在很多算法使用常规数据能将准确率做到 85%或者 90%，而商业化应用往往要求更高，如果将要模型精度提升至 96%甚至 99%，则需要大量高质量的数据，这个时候也会要求数据更加精细化、场景化、专业化，这往往也成为了 AI 模型突破瓶颈的关键性条件。

而在大多数人工智能和机器学习项目中，数据准备和工程任务占了 80%以上的时间，其中数据清洗和数据标注占了整个项目的 50%左右。而数据准备非常消耗人力，如何快速准备大量高质量的数据已经成为 AI 开发过程中一个极具挑战性的问题。

ModelArts 是面向 AI 开发者的一站式开发平台，能够支撑开发者从数据到 AI 应用的全流程开发过程，包含数据处理、算法开发、模型训练、模型部署等操作。并且提供 AI Gallery 功能，能够在市场内与其他开发者分享数据、算法、模型等。为了能帮用户快速准备大量高质量的数据，ModelArts 数据管理提供了以下主要能力：

• 提供了数据预览和多维筛选等功能方便 AI 开发者快速识别数据；

• 提供了数据校验、自动分组等数据处理功能加速数据清洗；

• 提供了 12 种以上的标注工具来帮助用户标注各个场景的数据；

• 提供了智能标注、团队标注等功能加速标注、保障标注质量。

更多功能请见ModelArts数据管理：

ModelArts 数据管理为准备高质量的 AI 数据提供的能力

本案例将以交通标志识别原始数据集为基础，将使用 ModelArts 为您演示：

1. 如何使用数据校验功能快速对数据进行清洗；

2. 如何使用自动分组功能从众多数据中选出想要的数据；

3. 如何使用标注工具快速完成标注；

4. 如何使用智能标注等功能加速数据标注。

用户只需要进行确认或者稍作调整即可完成标注，可以大大提高数据标注效率，节省用户标注时间。

当您完成这个案例，您将掌握如何使用 ModelArts 快速准备大量高质量的数据。

二、准备

在开始之前，您需要进行相关的准备工作，包括注册华为云账号、实名认证、ModelArts 全局配置和 OBS 相关操作，详细请参考此文档。

三、操作

本次案例主要分为以下几个步骤：①从 AI Gallery 下载数据集到 ModelArts 数据管理，② 数据校验：处理非法数据， ③自动分组：删除不想要的数据，④数据标注：对数据打标注，⑤智能标注：使用 AI 技术加速数据标注，⑥发布数据集：共享数据。

操作流程图

1. 下载数据集

该案例的数据集名称为“交通标志识别原始数据集”，已经上传到 AI Gallery，AI Gallery 地址为https://marketplace.huaweicloud.com/markets/aihub/datasets/list/。进入 AI Gallery 后需要选择数据栏，然后在AI Gallery搜索数据集名称“交通标志识别原始数据集”，或者点击数据集链接下载。

搜索数据集名称“交通标志识别原始数据集”

“交通标志识别原始数据集” 详情

选择该数据集进行下载，配置数据集的目标位置（需要现在 OBS 创建桶和目录），修改名称为“交通标志识别”，可以根据自己的情况加上描述。点击确认下载后，页面会跳转到“我的数据”页面，这个时候可以点击“我的下载”页面查看下载进度。

下载“交通标志识别原始数据集”

下载进度

数据集详情

2. 数据清洗

1）数据识别

当完成数据下载后，一般需要先进行数据识别，查看数据的大致情况，比如有多少数据、数据是什么样的、是否需要清洗等。这个时候可以点击“开始标注”，可以对数据进行预览，可以看到数据集样本列表。总共 706 张图片：交通标志识别数据 500 张，其中 100 张已标注，400 张未标注；植物 200 张；其他数据 6 张。样本列表中的图片也会展示标签信息，右侧有该数据集的全部标签信息。目前已有的标签为：

标签信息

数据集样本列表

2) 数据筛选

进行数据查看时往往数据对数据进行筛选，选择自己想看的数据。这个时候可以点击筛选条件右侧的展开，选择相关条件进行筛选。ModelArts 数据管理支持对标签名称、文件名称、标注人、样本属性、难例信息等进行筛选。也可以选择多个筛选条件同时进行筛选。

数据筛选

比如想查看标签名为“green_go”的样本列表信息，则可以直接选择标签名进行查看。

标签名为“green_go”的样本列表。

实际应用场景中数据往往夹杂着非法数据，需要对数据进行清洗。该数据集也有相关非法数据：编码错误 2 张（badencode1.jpg，badencode2.jpg）、图片后缀错误 2 张（badsuffix1.png，badsuffix2.png）、单通道 2 张（badchannel1.jpg，badchannel2.jpg）。比如根据文件名“badencode1.jpg”查看非法数据，可以看到图片加载异常，因为图片编码有问题。

根据文件名“badencode1.jpg”查看非法数据

3) 创建“数据校验”类型的数据处理作业

ModelArts数据处理提供了“数据校验”功能，可以对数据进行检查。可以去 ModelArts 主页下的数据处理页面创建数据处理作业。

数据处理页面

创建数据处理作业时可以修改作业名称为“datavalidate”，选择场景类别“物体检测”，数据处理类型为“数据校验”，输入为数据集“交通标志识别”的 V001 版本，数据为数据集“交通标志识别”V002 版本。

创建“数据校验”类型的数据处理作业

4）查看数据校验作业结果

数据校验结果确认：等待数据处理作业完成，预计需要几分钟。等待作业“datavalidate”完成后可以查看数据，选择输出数据集为“交通标志识别”V002 版本，这个时候会提示是否切换版本，点击是，会切换版本，并且跳转到数据集页面，展示数据集详情。如果不切换版本，数据集展示的还是数据校验前的数据，可能会导致后面的步骤失败。查看结果，可以看到只有 704 张图片，2 张编码格式有问题的已删除，后缀不对的 2 张和单通道的 2 张图片已修改。即已经对数据集完成数据清洗。

选择查看输出数据集版本

根据文件名“badencode1.jpg”查看，非法数据已被清洗

3. 自动分组

1) 启动任务

在对数据校验之后，发现数据中有 500 张交通标志的图片，200 张植物的图片，4 张其他的图片。如果前面数据未顺利获取到，可以直接选择从 AI Gallery 下载已进行数据校验的数据集：交通标志识别已校验数据集 。可参考下图下载对应阶段已处理好的数据：

对应阶段已处理好的数据

这个时候如果一张一张去挑自己想标注的数据，或者删除不想要的数据，会很慢很耗时。 这个时候可以选择启动自动分组功能，对交通标注数据和植物数据进行分组。进入页面为全部，然后点击自动分组就可以启动任务。

启动自动分组任务进行数据选择

启动自动分组任务时填入分组数为 3，属性名称为 group（也可以自定义），点击确认，等待任务执行。自动分组任务会在右上角展示。

启动自动分组任务，填入参数

自动分组进展查看

2) 任务结果查看

自动分组运行完后，可以在全部页签展开筛选条件，选择样本属性“group”，再选择属性值来查看结果：样本属性为“group”，值为 0 和 1 的基本为交通标志识别数据，区分在于两个拍摄场景不一样。样本属性为“group”，值为 2 的基本为植物数据。

样本属性为“group”，值为 0 的筛选结果

样本属性为“group”，值为 1 的筛选结果

样本属性为“group”，值为 2 的筛选结果

3) 删除数据

这样数据就已经完成分组，而且分组结果比较准确。我们可以根据结果，将植物数据进行批量删除。点击图片列表右上角的“选择当前页”，选择所有数据，然后浏览一遍数据，如果发现已选的数据中有想要的数据，可以取消选择该图片，处理完后再点击“删除图片”，即可完成批量图片删除。删除完成后，基本只剩交通标志识别的数据了。

批量删除不想要的图片

4. 数据标注

在完成数据清洗，删除不想要的数据后，需要对数据进行标注。此时数据还剩大概 500 张图片。如果前面数据未顺利获取到，可以直接选择从 AI Gallery 下载已进行数据清洗的数据集：交通标志识别已清洗数据集

       在数据集样本列表页面，点击“未标注”页签，筛选条件中样本属性为“group”，值为 0，即可看到交通标志数据数据集中第一个场景的数据。更多使用信息可以查看用户指南。

“未标注”页签样本属性为“group”，值为 0 的样本列表

标注工具说明

点击任意一张图片即可进入样本详情页面进行标注，标注页面会有标注工具栏、图片详情展示、图片列表、标签列表、图片切换等功能，如下图所示。

图片标注页面

选择矩形框，左击绘制选择标注位置，然后选择标签，即可完成标注，点击下一张会自动保存标注结果。也可以使用快捷键 N 切换到下一张。

进行数据标注

5. 智能标注

使用过程中可以感觉到物体检测任务的标注工作量很大，而且手动标注效率不高，这个时候就可以使用智能标注功能来加速。

智能标注会对用户未标注的数据进行自动标注，用户只需要进行确认或者稍作调整即可完成标注。

智能标注主动学习的原理是使用已有的部分数据和 ModelArts 内置算法来训练一个模型，然后使用模型对剩下未标注的图片进行预测。其中快速型是监督算法，使用的是已标注数据进行训练，精准型为半监督算法，使用的是已标注和未标注的数据进行训练。用户也可以选择自己的模型进行智能标注，这个时候可以选择智能标注的预标注功能，同样能得到自动标注的预测结果。预测完成后，人只需要对预测结果进行准确性的检查，预测准确的图片就直接使用算法标注的结果，预测不准确的就人工修正一下标注，这种人机协作的方式，就能大幅度提升标注效率，节省用户标注时间。

1) 启动智能标注

启动智能标注前，建议每个标签标 15 张以上，这样进度会更高。点击样本列表的右上角“启动智能标注”，使用默认选项即可，点击提交即可开始智能标注。

启动智能标注入口

确定启动智能标注

2) 查看智能标注进展

提交智能标注任务之后即会跳转到智能标注进展页面，也可以点击“待确认”页签查看任务进度。

智能标注任务进展

3) 确认智能标注结果

智能标注运行完成后，可以在“待确认”页签看到智能标注结果。

智能标注结果列表

未标注 402 张，智能标注结果也是 402 张。点击具体的图片进入详情页面确认。确认标签准确性，如果准确，直接可以点击“确认标注”，如果发现不对，可以调整标注结果再点击“确认标注”。

确认智能标注结果

6. 发布数据集

1) 发布数据集版本

完成数据标注之后可以发布数据集版本，可以选择数据切分和写入描述，也可以不选。

发布数据集版本

发布完成之后会生产固定化的版本，记录总共多少样本，已标注多少样本。也会生成 manifest 文件。Manifest 里面会记录所有样本信息及其标注文件存储信息，对于物体检测，标注未见为 Pascal VOC 形式的 XML 文件，详细描述请见官方文档。

版本详情

2) 发布数据集版本到 AI Gallery

 在发布完数据集版本后，可以在 ModelArts 训练中选择该版本进行训练，也可以将该数据集发布到 AI Gallery，共享给其他用户。进入 AI Gallery 下的数据页面，点击“发布”按钮，填写发布数据集的名称，比如“HDC2021--交通标志识别数据集”，选择数据集名称“交通标志识”和版本“V003”，选择数据类型为图片，选择许可类型。点击发布即可。

AI Gallery 发布数据集

发布数据集到 AI Gallery

发布完数据集之后可以点击编辑按钮，完善数据集信息，包括数据集首页

点击编辑完善数据集信息

至此，本案例完成。

点击关注，第一时间了解华为云新鲜技术~