Utmaningen
Att träna tillförlitliga maskininlärningsmodeller för fiskdetektion kräver stora mängder annoterad videodata, men att markera varje fisk för hand är extremt tidskrävande och blir en flaskhals vid träning av träffsäkra modeller.
Användarflödet
Hela flödet i verktyget, från val av video till export av sessionsdata.
Rulla i sidled för att se hela flödet →
Processen
Omvärldsanalys
Jag undersökte befintliga verktyg för annotering av video och bild, och identifierade att de flesta saknade stöd för att kombinera AI-assisterad annotering med mänsklig granskning, vilket är avgörande för att effektivisera processen.
Utveckla och designa
Bygget av en React-app med ett Dockeriserat API som kör datorseendemodellen, så att annoteringsflödet i gränssnittet och modellinferensen kan köras och skalas oberoende av varandra.
Utvärdera
Sedan testade jag verktyget med riktiga användare och jämförde tiden det tog att annotera med och utan AI-assistans, vilket visade på en betydande tidsbesparing och förbättrad effektivitet.
Resultatet
Verktyget minskade tiden det tog att annotera video jämfört med en helt manuell process, och bidrog till en mer effektiv insamling av träningsdata för maskininlärningsmodeller, vilket kan leda till bättre fiskdetektionssystem i framtiden.
Läs studien på DiVA
