YOLO labeling tool的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列免費下載的地點或者是各式教學

基於VoTT之高效能半自動人物標註

為了解決YOLO labeling tool的問題，作者余俊賢 這樣論述：

近年來Artificial Intelligence (AI) 技術日新月異，雖然有些成就早已遠勝於人類；但在用於AI模型所需之訓練資料的物件標註工作，目前主流尚以人工標註為主。例如本論文研究的無人機拍攝影片之人物動作標註，在無人機多角度與高低空拍攝的情況下，人工標註還是會優於AI 模型產生之標註。例如在高空拍攝的情況下，標註人員往往一眼就能辨識出渺小的人物，但AI模型尚不能完全辨識；或是廣告刊板的人物照片會導致AI模型誤判；又或是人物重疊則造成無法辨識等情況。但人工標也有其缺點，如重複性的工作還是會大大的降低人工標註的精確度，例如一秒30幀的影片，其標註人員必須重複性的一幀一幀的標註畫面上

出現的眾多人物，標註久了導致注意力降低因而增加標註錯誤率。有鑑於此，本論文在合適的標註工具基礎下，如VoTT [1] 下，再將開發出的半自動標註工具嵌入在VoTT內，以提升人員標註之效率。本論文使用OpenCV提供的CSRT tracker演算法再搭配本論文撰寫之多核心處理架構下之物件追蹤，用以執行在多角度與高低空拍攝之影片情境下進行物件追蹤，讓標註人員只需在標註一幀的情況下，即能將剩下的幀數之追蹤目標人物自動標註完成。經實驗驗證後，本研究之結果的確可大幅提升標註人員之工作的便利性與精確度。

基於改良Mask R-CNN結合轉移學習於銑刀表面缺陷檢測

為了解決YOLO labeling tool的問題，作者林冠儒 這樣論述：

端銑刀製造商於製程中因砂輪不當磨削，螺旋刃處易產生缺角、刮痕等缺陷，由於端銑刀特殊的螺旋結構缺陷不易被檢出，且人工檢測結果受工作人員主觀判斷影響，品質檢測難有一致性標準，使良率與準確度不穩定，因此開發可以在生產線中使用的自動化光學檢測系統顯得至關重要。雖已有相關論著利用面掃描相機擷取銑刀螺旋刃邊影像，再使用深度學習與傳統影像處理方法量測缺陷大小，但針對不位於刃邊上的缺陷與線上即時檢測，此方法實用性仍受到限制。因此，本研究提出了基於Mask R-CNN架構的缺陷檢測系統，將深度學習電腦視覺演算法導入AOI系統，用於檢測端銑刀製造商製程中磨削不當造成的端銑刀表面缺陷。本研究首先提出利用Line-

scan擷取銑刀螺旋刃邊影像，此影像資料集用於Mask R-CNN模型訓練；隨後，結合ResNet-50和Depthwise separable convolution優化原特徵萃取層，命名為DS-ResNet50，在模型精確率不降低的要求下減少了模型參數量；最後，使用Microsoft COCO dataset預訓練DS-ResNet50，解決缺陷影像資料量不足的問題。為了客觀分析缺陷預測的結果，以mean Average Precision (mAP)錯誤評估指標為首，評估模型的優劣。本研究實驗結果表明，與沒有使用轉移學習和原始ResNet-50的基礎模型相比，經過預訓練的DS-ResNe

t50獲得更高的0.921 mAP，DS-ResNet50將模型mAP提高4.5%，同時使模型參數量減少68.2%，與Mask R-CNN改良前相比，缺陷檢測模型達到更精準更輕量的效果。因此證實該方法可用於銑刀具紋理複雜紋理背景影像中，且能有效的檢測微小缺陷等異常問題，提升金屬製造業之附加價值。