識別算法的性能提升依靠大量的圖像標注，傳統(tǒng)模式下，需要人工對同類型數(shù)據(jù)集進行一步步手動拉框，這個過程的痛苦只有做過的人才知道。

越多素材的數(shù)據(jù)集對于算法的提升越有幫助，常規(guī)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。

我們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(jīng)麻木，并且出現(xiàn)情緒波動，望著剩下的4500多張待標注畫面，直接頭皮發(fā)麻，怎么都不想繼續(xù)了。

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(xiàn)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(fā)了一個深度學習算法開發(fā)平臺SpeedDP。

它的基本邏輯是基于手動標注一定量的數(shù)據(jù)集進行算法訓練，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(shù)據(jù)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(shù)據(jù)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。

如此反復，工作效率將大大提升。

SpeedDP主要支持YOLO系列目標檢測算法，包括YOLOx、YOLOv8、YOLOv10等，目前仍在不斷更新升級以滿足更多市場需求。