机器学习笔记 - 使用Streamlit探索对象检测数据集

一、探索数据集的重要性

        数据集通常是大多数数据科学项目中最薄弱的环节。构建一个好的数据集可能非常困难。所以至少了解我们使用的数据集，并有办法探索和讨论它。

1、对于项目团队

        解释指标和错误并提高数据集的质量：团队可以轻松检查一组预测有什么问题。也许数据看起来不像预期的那样？也许注释是错误的？如果是这种情况，它应该很容易修复。

        了解模型是否可以处理某种情况并计划新功能：有时产品所有者/客户会询问模型是否能够处理新标签或新情况。团队应该能够更快地给出第一个答案和一些行动。

2、对于注释团队

        如果注释团队有一个仪表板来探索当前数据集，它可以使用它来回答问题：

        “如何标记这个项目？” ：通过在仪表板中查找类似示例并找到正确的标签

        “意外情况下应该怎么做？”：它可以在当前数据集中查找诸如受阻标签之类的情况。

        将提高数据质量！但这也将使他们更加自主，并为项目团队提供更多时间来处理项目的其余部分。

3、对于最终用户、集成商、销售

        他们不必询问标签的含义，并且能够自行显示示例并解决问题。

二、使用 Streamlit 探索 COCO 对象检测数据集

        让我们看一个使用 Streamlit 探索对象检测数据集的示例。

        我们将使用MS COCO 数据集toaster的类。

        为什么选择烤面包机类？这是最小的表示类之一：训练集中有 225 个边界框，验证集中有 9 个。它看起来很简单，因为这是一个广泛使用且相对标准的对象。

https://share.streamlit.io/wirg/explore-object-detection-demo/main/explore_annotations.py/?label=toasterhttps://share.streamlit.io/wirg/explore-object-detection-demo/main/explore_annotations.py/?label=toaster

1、COCO 数据集的烤面包机是什么？

        通过探索数据集我们可以注意到的第一件事是有两种烤面包机：

 

2、贴错标签的数据

 3、标注框错误

4、重叠的对象

        当多个物体靠得很近时，你在做什么？你是在为每个对象做一个边界框还是一个分组？常见的答案是每个对象放置一个。但有时它可能真的很难，比如下面的一堆橘子：

 5、被遮挡的

        当一个对象隐藏在另一个对象后面时，通常的做法是只注释可见表面，只要它大于预期对象的给定比例（通常 > 20%）。但是，它可能会影响您以后用它做什么（培训和后处理）。另一个好的做法是将注释标记为截断或阻塞。

 6、难以识别的

        有些物体可能无法识别：太小、被遮挡或图片质量可能不够好。大多数时候答案是根本不注释它，但你也可以将它标记为 hard。
        真正的问题是：你想教你的模型来检测这些吗？您想用这种对象影响您的指标吗？这是您最终产品的目标吗？

7、画中画/镜子 

        通常被忽视，它发生在大多数众包/爬网/基于最终用户的数据集中，而不是受控环境中的数据集。通常的决定是正常标记它们，但您可以决定在特定用例中不这样做，或者决定标记它们以便以后能够区分它们。这里它代表了训练集的 5%。

 三、设置 Streamlit 仪表板

        有几种方法可以设置仪表板来探索您的对象检测数据集。

        首先，您可以使用预制工具，例如 Voxel51 团队的令人惊叹的FiftyOne，也许有一天Google 会使用Know You Data。其次，您可以使用Streamlit或Dash等仪表板解决方案构建自己的解决方案。选择第一个解决方案将更轻松地授予您的高级工具，例如用户身份验证、数据集管理、模型评估……并且更易于维护。

        设置第二个解决方案可能会更快，它还将为您提供自定义解决方案的更大灵活性，并且您将能够在项目代码和不同仪表板之间共享代码和实践。

        我将向您展示如何使用 Streamlit 仪表板进行操作，因为它是展示 Streamlit 的强大功能以及将其轻松集成以探索对象检测数据集的好方法。

        这个小例子的完整代码在这里。

        如果您想查看已部署应用的完整代码，可以前往此处。