機(jī)器學(xué)習(xí)即將帶來一系列的社會變革，其中一個(gè)被大肆宣傳的領(lǐng)域是自動駕駛。但是，伴隨著自動駕駛技術(shù)的巨大動力而來的是巨大的責(zé)任，如果一輛自動駕駛汽車訓(xùn)練的不夠好，可能會引發(fā)車禍，導(dǎo)致人員傷亡。
這是一個(gè)非常危險(xiǎn)的問題。
機(jī)器學(xué)習(xí)是通過舉例來教計(jì)算機(jī)算法以執(zhí)行新任務(wù)的過程，但是，ML 模型只能在和它們所訓(xùn)練的數(shù)據(jù)一樣的情況下表現(xiàn)良好。
缺失大量行人和關(guān)鍵標(biāo)注的自動駕駛數(shù)據(jù)集問題很大
然而，合適的訓(xùn)練數(shù)據(jù)集并不是很多。在 github 上有一個(gè)廣受歡迎的數(shù)據(jù)集 Udacity（https://github.com/udacity/self-driving-car ），有著 5000+ star，它被成千上萬的學(xué)生用來構(gòu)建開源的自動駕駛汽車項(xiàng)目。
對此，Roboflow 的創(chuàng)始人 Brad Dwyer 感到驚訝和擔(dān)憂，因?yàn)檫@個(gè)數(shù)據(jù)集中包含了很多關(guān)鍵的錯誤和遺漏。
他們對廣泛使用的 Udacity Dataset 2（https://github.com/udacity/self-driving-car/tree/master/annotations ） 中的 15000 幅圖像進(jìn)行了手工檢查，發(fā)現(xiàn)其中 4986 幅（約占總數(shù)據(jù)量的 33%）存在問題。這些問題包括數(shù)以千計(jì)輛未貼標(biāo)簽的車輛、數(shù)以百計(jì)未貼標(biāo)簽的行人和幾十個(gè)未貼標(biāo)簽的騎自行車的人。他們還發(fā)現(xiàn)了許多模糊的注釋、重復(fù)的邊界框和過大的邊界框的實(shí)例。
錯誤實(shí)例（原始數(shù)據(jù)集中缺少突出顯示的紅色注釋）
或許最令人震驚的是，217 張（約占 1.4%）圖片完全沒有標(biāo)簽，但它們實(shí)際上包含了汽車、卡車、路燈或行人。
一些包含行人的示例圖像在原始數(shù)據(jù)集中不包含任何注釋。
開源數(shù)據(jù)集雖然很好，但是不夠完整和準(zhǔn)確。
在 reddit 上，網(wǎng)友們也紛紛表達(dá)了對這個(gè)數(shù)據(jù)集的擔(dān)憂。
有人表示，大約 1/3 的圖像包含錯誤或遺漏，輸入的數(shù)據(jù)不應(yīng)該是垃圾數(shù)據(jù)，自動駕駛應(yīng)該受到嚴(yán)肅對待。手動修復(fù)很乏味，但如果有足夠的需求，他還是會做這件事。
這真的很可怕。我發(fā)現(xiàn)這一點(diǎn)是因?yàn)槲覀冋谵D(zhuǎn)換和重新托管多種流行格式的流行數(shù)據(jù)集，以便跨模型使用。。。我第一次注意到竟然有一堆完全沒有標(biāo)記的圖像。
在深入調(diào)查時(shí)，我震驚地發(fā)現(xiàn)，有大約 1/3 的圖像包含錯誤或遺漏！有些錯誤很小，如汽車的一部分在車架邊緣或遠(yuǎn)處的一條路沒有貼上標(biāo)簽，但有些則很離譜，如在人行橫道上帶著嬰兒推車的女人也沒有被標(biāo)記。
我認(rèn)為這確實(shí)說明了嚴(yán)格檢查任何用于模型的數(shù)據(jù)的重要性。如果輸入的是垃圾數(shù)據(jù)，輸出結(jié)果也會很差勁。自動駕駛應(yīng)該受到嚴(yán)肅對待。
我繼續(xù)手動糾正了丟失的邊界框，并修復(fù)了其他一些錯誤。但仍然有很多重復(fù)的框（尤其是紅綠燈周圍的框），手動修復(fù)很乏味，但如果有足夠的需求，我會去做這件事。
有人抱怨道，這并不是特別意外，但仍然令人失望。如果有這些明顯的錯誤，為什么要公開數(shù)據(jù)集？
也有人說，雖然他必須將注釋轉(zhuǎn)換為 VOC XML 才能在自己的標(biāo)簽工具中打開它們，也必須編寫一個(gè)轉(zhuǎn)換回其自定義 CSV 格式的轉(zhuǎn)換程序才能提交 PR。但是如果人們真的要使用這個(gè)數(shù)據(jù)集來開發(fā)開源的自動駕駛汽車，所付出的時(shí)間是值得的。
改進(jìn)的 Udacity 自動駕駛數(shù)據(jù)集
為了解決這個(gè)問題，在獲得 MTI 的許可后，2020 年 2 月，Roboflow 修復(fù)并重新發(fā)布了 Udacity 自動駕駛數(shù)據(jù)集，大家可以在項(xiàng)目中使用這個(gè)數(shù)據(jù)集。如果是在原來的基礎(chǔ)上訓(xùn)練模型，可以考慮切換到這些更新的注釋。
該數(shù)據(jù)集下載地址：https://public.roboflow.ai/object-detection/self-driving-car
Roboflow 重新標(biāo)記了數(shù)據(jù)集，更正錯誤和遺漏。他們提供了多種格式以便下載，包括 VOC XML、COCO JSON、Tensorflow 對象檢測格式 TFRecords 等。
數(shù)據(jù)集包含 11 個(gè)類和 97942 個(gè)標(biāo)簽的 15000 張圖像，其中還包含 1720 個(gè)沒有標(biāo)簽的圖像。
所有圖像均為 1920x1200 的格式，下載大小約為 3.1 GB。Roboflow 還提供了一個(gè)降采樣到 512x512 （下載大小約 580 MB）的版本，適用于大多數(shù)常見的機(jī)器學(xué)習(xí)模型（包括 YOLO v3、Mask R-CNN、固態(tài)硬盤和移動網(wǎng)絡(luò)）。
Roboflow 已經(jīng)手動檢查了數(shù)據(jù)集中注釋的準(zhǔn)確性。
注釋分布如下圖：
正在研究自動駕駛技術(shù)的同學(xué)們，現(xiàn)在就可以開始使用這個(gè)數(shù)據(jù)集啦~不過，Roboflow 也聲明，該數(shù)據(jù)集包含許多相同主題的重復(fù)邊界框，他們尚未更正。這些類是 100% 重疊的，可能會影響模型的性能，特別是在 stoplight 檢測中，重復(fù)邊界框的情況會比較嚴(yán)重?？赡苄枰ㄟ^使用 IOU 等方法來過濾這些類。
via：https://www.reddit.com/r/MachineLearning/comments/f29l4v/r_a_popular_selfdriving_car_dataset_is_missing/
https://public.roboflow.ai/object-detection/self-driving-car
http://t.cn/A6hArQ79
雷鋒網(wǎng)雷鋒網(wǎng)雷鋒網(wǎng)(公眾號：雷鋒網(wǎng))
