識別算法的性能提升依靠大量的圖像標注，傳統模式下，需要人工對同一識別目標的數據集進行一步一步手動拉框，但是這個過程的痛苦只有做過的人才知道。越多素材的數據集對于算法的提升越有幫助，常規情況下，一個20秒時長30幀的視頻就多達兩三百張畫面需要標注，如果視頻時長或者視頻的幀速率增加，需要標注的幀畫面將會更多。小編曾試過標注一個時長為1分30秒幀速率為60的視頻，需要標注的畫面竟然多達5000多張，當我標注到500張的時候，整個人都已經麻木，并且出現情緒波動，望著剩下的4500多張待標注畫面，看著都頭皮發麻，怎么都不想繼續了。FPV跟蹤算法用SpeedDP幫助提升精度。甘肅AI智能

成都慧視開發的Viztra-HE030圖像處理板就是一款采用了瑞芯微旗艦級芯片RK3588的高性能板卡，具備八核處理器，至高能夠輸出6.0TOPS的算力。通過對接口的定制開發，就能夠應用到城市的各個領域。有了高性能的Viztra-HE030圖像處理板這樣的硬件支持，還需要針對于不同的應用場景定制專屬的識別算法。例如在城市安防巡邏中，執法人員采用無人機進行高空執法，就需要無人機能夠進行實時識別、動態跟蹤，并且根據特殊需求執行特殊任務。這都需要高精尖的算法支持。湖南開放AI智能供應商SpeedDP是一個AI訓練平臺。

長時間一直進行這樣的圖像標注工作，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，當項目緊急時，甚至需要多人加班加點趕進度。這樣的痛苦現狀急需改變！慧視光電的算法工程師為了提高這一的效率，開發了一個深度學習算法開發平臺SpeedDP。它的基本邏輯是基于一個手動標注一定量的數據集進行訓練，形成一個可用的預選模型（如果已有模型可以直接使用），然后訓練一定階段后，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的新數據集（未進行任何標注）進行AI自動化標注。這一過程的省去了大量需要對新數據集的手動拉框工作，同時也在不斷反哺此模型算法，幫助提升性能。

多目標跟蹤是指在連續的圖像中，通過目標檢測算法識別出每一幀中的目標，并在時間上跟蹤它們的位置和狀態。但目標會不斷發生尺度、形變、遮擋等變化，而且還會有目標出現和消失的情況，再加上視頻采集端的相機所處環境可能受到外界影響導致抖動的情況（例如無人機高空檢測），就會給多目標跟蹤造成一定的困難。由于我們不能控制目標，所以只能從視頻采集端維護跟蹤的穩定性。因此，成都慧視針對于多目標檢測跟蹤抖動丟失的優化方法是：1.改進目標檢測,使用更加魯棒的目標檢測算法。2.增強特征描述，利用深度學習提取更高級別的語義特征，這些特征對于小范圍內的視角變化具有更好的不變性3.改進運動模型，在算法中加入對攝像頭運動的估計，通過補償攝像頭運動來減小目標真實運動與預測之間的差距。4.數據關聯策略，設計更靈活的數據關聯算法，允許更大的距離閾值來匹配候選目標。利用成都慧視推出的SpeedDP能夠幫助訓練跟蹤算法。

瑞芯微推出的RK3588系列圖像處理板作為國產化板卡的性能前列，成為了各領域研究開發的優先，它能在諸多行業實現目標檢測、識別以及跟蹤等功能，具有重要的研究開發價值。特別是對于高校而言，將RK3588作為課題進行研究開發，是一個不錯的選擇。但是在這些功能實現過程中，算法的能力就十分重要，如何讓算法更加精細的識別檢測例如人、車、船等目標成為首要解決的問題。要想讓AI算法更能精確的識別檢測目標，可以利用AI的深度學習能力，讓AI不斷學習這些目標的特征，從而達到精細識別的能力。這個過程，可以通過大量的數據標注，來訓練AI。但大量待標注工作，常常讓開發者頭疼。如果采用傳統方式用人工挨個挨幀標注，將會耗費大量時間精力，讓成本不可控。SpeedDP作為一個AI訓練平臺。貴州慧視光電AI智能科技

快速完成大量的圖像標注工作不是易事。甘肅AI智能

多邊形標注能夠能夠幫助我們標注一些規則復雜的物體，如動物、人、車、建筑物等，與矩形標注框等方法相比，多邊形標注更能精確展示被標注物體的形狀、大小以及實時形態，通過大量的多邊形標注工作，能夠更好的幫助我們提高算法模型的準確性和魯棒性。傳統的多邊形標注方法中，標注者需要在物體的邊緣上依次單擊鼠標或使用繪圖工具，將點連接起來形成一個封閉的多邊形。標注的難度取決于被標注物體的復雜程度，相較于矩形框標注更加費時費力，如果遇到大量待標注目標，則極大地影響工作效率。甘肅AI智能