EASYLABEL
< Projeler Sayfası
Proje Adı
Sürekli öğrenen video etiketleme sistemi
Şirket Adı
TÜBİTAK BİLGEM İLTAREN
Şirket Mentoru
Çağlar Kavak
Akademik Mentor
Asst. Prof. Aykut Koç
Asistan
İlter Onat Korkmaz
Takım Üyeleri
Mehmet Batuhan Candar,
Alper Demir,
Abdullah Özüm Düzgün,
Berkay Güler,
Atahan İyiekici,
Mehmet Efe Lorasdağı
Özet
Bu proje, büyük makine öğrenimi modelleriyle artan veri talebini ve özellikle denetimsiz yöntemlerin uygulanamadığı alanlarda yapay zeka proje geliştirme için verimli etiketleme stratejileri ihtiyacını karşılamayı amaçlamaktadır. Projenin odak noktası, nesne algılama etiketleme görevleri için gereken kaynakları azaltmaktır. Sistem, bir monitör, fare ve klavye aracılığıyla bir kullanıcı tarafından denetlenecektir. Nesne takip algoritması DeepSort'a entegre edilmiş son teknoloji nesne algılama modeli YOLOv7, ilk etiketlemeyi gerçekleştirecektir. Sürekli bir yayından öğrenmenin getirdiği zorluklara yanıt olarak yeni bir yıkıcı unutmayı önleme stratejisi kullanılacaktır. Sistem, diske kaydedilmiş bir dizi dış mekan videosu ve gerçek zamanlı video akışları üzerinde test edilecektir. Beklenen sonuçlar, geleneksel tam denetimli etiketlemeye kıyasla daha düşük etiketleme maliyetleri ve zaman içinde azaltılmış kullanıcı etkinliğidir. İlk deneyler, sistemin nesne algılama için etiketleme maliyetlerini yaklaşık olarak yarıya indireceğini gösteriyor.
Abstract
This project aims to address the increasing demand for data by larger machine learning models and the need for efficient labeling strategies for artificial intelligence project development, especially in domains where unsupervised methods are not applicable. The focus of the project is to reduce the resources required for object detection labeling tasks. The proposed solution utilizes assistive labeling combined with a user-friendly interface to decrease labeling costs. The system will be supervised by a user who interacts with the UI via a monitor, mouse, and keyboard. A state-of-the-art object detection model, YOLOv7, integrated into an object tracking algorithm, DeepSort, will perform the initial labeling. A novel catastrophic forgetting prevention strategy will be employed in response to challenges introduced by learning from a continuous stream. The system will be tested on a number of outdoor videos saved to disk and real-time video streams. The expected results are reduced labeling costs compared to traditional fully-supervised labeling and reduced agent activity over time. Initial experiments suggest that the system will approximately halve the labeling costs for object detection.