干净的数据对于你的 AI 模型的表现有多重要？
有研究称，他们使用一种技术在一周内清理了 PASCAL VOC 2012 数据集中的 17120 张图像，并发现 PASCAL 中 6.5% 的图像有不同的错误（缺失标签、类标签错误等）。他们在创纪录的时间内修复了这些错误，并将模型的性能提高了 13% 的 mAP。
通常情况下，模型性能较差可能是由于训练数据质量不高引起的。即使在 2022 年，由于数据是公司最重要的资产之一，开发人员也经常因数据质量低劣而感到工作棘手。本文中，总部位于德国柏林的面向视觉 AI 从业者的下一代注释工具提供商 Hasty，希望通过更快、更高效地清理数据来简化和降低视觉 AI 解决方案开发的风险。
他们开发了 AI Consensus Scoring (AI CS) 功能，它是 Hasty 生态系统的一部分（Hasty 是该公司开发的一个端到端的 AI 平台，可让 ML 工程师和领域专家更快地交付计算机视觉模型，从而缩短变革性产品和服务的上市时间），该功能使得手动共识评分（consensus scoring）成为过去，其将 AI 集成到质量控制流程中，使其更快、更便宜，并且随着用户添加的数据越多，性能扩展越好。
本文中，研究者将利用 AI CS 功能来改进、更新和升级最流行的目标检测基准数据集 PASCAL VOC 2012 。
我们先来简单介绍一下 PASCAL，它是一个著名的学术数据集，可用于目标检测和语义分割等视觉 AI 任务的基准模型。PASCAL 已有十多年的历史，现在还一直被广泛使用，近 4 年就有 160 篇论文使用它。
PASCAL 在过去十年中没有改变，世界各地的团队在科研中都保持该数据集的「原样」进行科研。但是，该数据集是很久以前注释的，当时算法还没有今天准确，注释要求也没有那么严格，会出现很多错误。例如下图所示：尽管马是在前景并且可见，但没有马的标签，这些质量问题在 PASCAL 中很常见。
如果让人工来处理 PASCAL 数据集，成本高昂且非常耗时，该研究使用 AI 进行质量控制并提高 PASCAL 的质量，他们的目的是如果数据质量足够好，模型性能会不会随之提高，为了执行这个测试，他们设置了一个包含以下步骤的实验：
在 Hasty 平台上使用 AI Consensus Scoring 功能清洗 PASCAL VOC 2012；
使用 Faster R-CNN 架构在原始的 PASCAL 训练集上训练自定义模型；
使用相同的 Faster R-CNN 架构和参数，在清理后的 PASCAL 训练集上准备一个自定义模型；
实验之后，得出结论。
下面为实验过程，以第一人称进行编译整理， 看看他们是如何做到的以及结果如何？
清洗 PASCAL VOC 2012
我们的首要任务是改进数据集。我们从 Kaggle 获得数据集，将其上传到 Hasty 平台，导入注释，并安排两次 AI CS 运行。对于那些不熟悉我们 AI CS 功能的人，该功能支持类、目标检测和实例分割审查，因此它会检查注释的类标签、边界框、多边形和掩码。在进行审查时，AI CS 会寻找额外或缺失的标签、伪影、错误类别的注释，以及形状不精确的边界框或实例。
PASCAL VOC 2012 包含 17.120 张图像和 20 个不同类别的约 37.700 个标签。我们已经针对 28.900 (OD) 和 1.320 (Class) 潜在错误任务运行了目标检测和类别审查。
AI CS 可以让你发现潜在问题。然后，你可以专注于修复错误，而无需花几天或几周的时间来查错。
我们要检查这些潜在错误并解决它们，最重要的是，我们希望修改后的注释比原始注释器更准确。具体包括：
当 AI CS 检测到潜在错误时，我们尝试修复每张图像上所有可能出现的这些错误；
我们没有打算注释每个可能的目标，如果注释遗漏了一个目标，并且在前景中或在没有缩放的情况下肉眼可见，我们就注释它；
我们试图让边界框像像素一样完美；
我们还对部分（数据集类目标未注释部分）进行了注释，因为原始数据集具有它们的特性。
有了上述目标，我们首先检查了现有注释类标签的类审查运行，试图找出潜在的错误。超过 60% 的 AI CS 建议非常有用，因为它们有助于识别原始数据集不明显的问题。例如，注释器将沙发和椅子混淆。我们通过重新标记整个数据集的 500 多个标签来解决这个问题。
原始注释示例。图中有两张沙发和两把扶手椅。两把扶手椅中的一张标注为沙发，而另一把则标注为椅子。数据标注发生了一些错误，需要修复。
修改后的标注，扶手椅是椅子，沙发是沙发。
在分析 OD 和 Class 审查时，我们发现 PASCAL 最突出的问题不是错误分类注释、奇怪的边界框或额外的标签。它最大的问题是缺少许多潜在的注释。我们很难估计确切的数字，但我们觉得有数千个未标记的目标应该被标记。
OD 审查通过数据集，寻找额外或缺失的标签和错误形状的边界框。并非所有缺失的注释都被 AI CS 突出显示，但我们已尽最大努力改进 AI CS 预测的至少有一个缺失标签的所有图片。结果，OD 审查帮助我们在 1.140 张图像中找到了 6.600 个缺失注释。
我们花了大约 80 个小时来审查所有建议并清理数据集，这是一个了不起的结果。
在原始 PASCAL 上训练自定义模型
如上所述，我们决定设置两组实验，训练两个模型，一个在初始的 PASCAL 上，另一个在经过清理的 PASCAL 版本上。为了进行神经网络训练，我们使用了 Hasty 另一个功能：Model Playground，这是一个无需编码的解决方案，允许你在简化的 UI 中构建 AI 模型，同时保持对架构和每个关键神经网络参数的控制。
在整个工作过程中，我们对模型进行了多次迭代，试图为任务找到最佳超参数。最后，我们选择了：
以 ResNet101 FPN 为骨干的更快的 R-CNN 架构；
采用 R101-FPN COCO 权值进行模型初始化；
模糊，水平翻转，随机剪切，旋转和颜色抖动作为增强；
AdamW 为求解器，ReduceLROnPlateau 为调度器；
就像在其他 OD 任务中一样，使用了损失组合（RPN Bounding Box 损失、RPN 分类损失、最终 Bounding Box 回归损失和最终分类损失）；
作为指标，我们有 COCO mAP，幸运的是，它直接在 Model Playground 中实现。
大约一天半的时间来训练。假设架构的深度、网络正在处理的图像数量、计划的训练迭代次数（10.000）以及 COCO mAP 在 5.000 张图片中每 50 次迭代计算的事实，它并没有花费太长时间。以下是模型取得的结果：
原始模型训练迭代的平均损失。
跨原始模型验证迭代的 COCO mAP 图。
使用这种架构实现的最终 COCO mAP 结果是验证时的 0.42 mAP。在原始 PASCAL 上训练的模型的性能不如最先进的架构。尽管如此，考虑到我们在构建模型上花费的时间和精力很少（经历了 3 次迭代，每次花费 1 小时），这仍然是一个不错的结果。无论如何，这样的结果会让我们的实验更有趣。让我们看看是否可以在不调整模型参数的情况下，通过改进数据来获得所需的指标值。
在更新的 PASCAL 上训练的自定义模型
在这里，我们采用相同的图像进行训练和验证，以训练以下模型作为基线。唯一的区别是拆分中的数据更好（添加了更多标签并修复了一些标签）。
不幸的是，原始数据集并没有在其训练 / 测试集拆分中包含 17120 个图像中的每一个，有些图片被遗漏了。因此尽管在原始数据集中添加了 6600 个标签，但在训练 / 测试拆分中，我们只得到了大约 3000 个新标签和大约 190 个修复标签。
尽管如此，我们继续使用 PASCAL VOC 2012 改进后的训练 / 测试拆分来训练和验证模型，看看效果如何。
更新模型的训练迭代中的 AverageLoss 图。
更新模型的验证迭代中的 COCO mAP 图。
直接比较
正如我们所见，新模型的性能优于原始模型。与之前模型的 0.42 值相比，它在验证时达到了 0.49 COCO mAP。这样看很明显实验是成功的。
结果在 45-55 COCO mAP 之内，这意味着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。是时候得出一些结论并讨论我们刚刚目睹的情况了。
结论
本文展示了以数据为中心的 AI 开发概念。我们的思路是通过提升数据以获得更好的模型，进而也获得了想要的结果。如今，当模型开始接近性能的上限时，通过调整模型将关键指标的结果提高 1-2% 以上可能是具有挑战性且成本高昂的事。但是，你不应该忽略构建机器学习并不仅仅是模型和参数，还有两个关键组成部分——算法和数据。
在该研究中，我们并没有试图击败任何 SOTA 或获得比此前研究更好的结果。我们希望通过实验结果展示：花费时间改进数据有利于模型性能。希望通过添加 3000 个缺失标签使 COCO mAP 增加 13% 的案例足够令人信服。
通过清理数据和向图像添加更多标签可以获得的结果很难预测。效果很大程度上取决于你的任务、NN 参数和许多其他因素。即使在本文的例子中，我们也不能确定多 3000 个标签会是能带来额外 13% mAP 的。尽管如此，结果不言自明。虽然有时很难确定通过获得更好的数据来改进模型指标的上限，这是值得尝试的方向。
原文链接：https://hasty.ai/content-hub/articles/cleaning-pascal-improving-map-by-13?utm_source=mk832ksa© THE END
