别的图片量不少于100个，如果低于这个量级建议扩充。 检查不同标签的样本数是否均衡，建议不同标签的样本数量级相同，并尽量接近，如果有的类别数据量很高，有的类别数据量较低，会影响模型整体的识别效果。 选择适当的学习率和训练轮次。 通过详细评估中的错误识别示例，有针对性地扩充训练数据。

查看更多 →

审核比例：从该标注任务所有样本中抽取一定样本作为审核样本。 配置成功后，单击标注任务名称，单击任意一张图片，进行审核。 审核图片标注符合规范，整张图片无错误，则该图片审核通过，勾选“审核通过”，并保存。 审核图片有超过一处标注不符合规范，则该图审核未通过。根据标注任务类型不同，右

查看更多 →

删除操作无法撤销，请谨慎操作。 编辑样本：在样本库管理页面，单击对应样本操作栏中的“编辑”，即可修改样本的各项参数。 删除样本：在样本库管理页面，单击对应样本操作栏中的“删除”，即可删除样本。 注意，被脱敏算法引用的样本不能被删除。若要删除已引用的样本，需要先修改引用关系，再进行删除操作。

查看更多 →

不要把明显不同的多个任务数据放在同一个数据集内。 为了保证模型的预测准确度，训练样本跟真实使用场景尽量相似。 为保证模型的泛化能力，数据集尽量覆盖可能出现的各种场景。 物体检测数据集中，如果标注框坐标超过图片，将无法识别该图片为已标注图片。 在上传数据时，请选择非加密桶进行上传，否则会由于加密桶无法解密导致后期的训练失败。

查看更多 →

。 检查不同标签的样本数是否均衡，建议不同标签的样本数量级相同，并尽量接近，如果有的类别数据量很高，有的类别数据量较低，会影响模型整体的识别效果。 如果分割效果不好，建议检测图片标注，标注质量的好坏直接影响模型训练图像分割效果的好坏。 根据数据量选择适当的学习率和训练轮次。 通过

查看更多 →

人工标注 任务类型：有人工标注和预标注两种。此处以人工标注为例。 标注物：标注模板和项目内标注物至少选取一种。 当选取标注模板后，标注模板内标注物与项目内有重名标注物时会跳出弹窗，提示用户项目内有重名标注物，如需使用该标注物，单击确认后默认选择项目下标注物展示在下方显示框中展示。

查看更多 →

Integer 数据集样本总数。 total_sub_sample_count Integer 由父样本所产生的子样本总数，比如：从视频标注数据集中抽取的关键帧图片总数就是子样本总数。 unconfirmed_sample_count Integer 智能标注待确认的标注样本数。 update_time

查看更多 →

t体。 name：必选字段，标注内容的类别。 pose：必选字段，标注内容的拍摄角度。 truncated：必选字段，标注内容是否被截断（0表示完整）。 occluded：必选字段，标注内容是否被遮挡（0表示未遮挡） difficult：必选字段，标注目标是否难以识别（0表示容易识别）。

查看更多 →

Integer 数据集样本总数。 total_sub_sample_count Integer 由父样本所产生的子样本总数，比如：从视频标注数据集中抽取的关键帧图片总数就是子样本总数。 unconfirmed_sample_count Integer 智能标注待确认的标注样本数。 update_time

查看更多 →

数据丰富，训练集获取耗时节省90% 电信场景覆盖广：专业实验室生成高价值样本，覆盖电信域90%以上典型场景，已有1000多个AI训练集，30000多个网络特征。 高质量标注数据多：通过专业标注工具和专家经验，积累海量标注样本，累计已有1亿条电信标注样本数据。 电信 数据治理 高效，数据处理效率提升2倍以上

查看更多 →

在“我参与的”页签，可查看参与过标注的标注作业。用户可查看标注作业详细信息，包括标注团队的成员、标注进展等。 复制标注作业 登录ModelArts管理控制台，在左侧菜单栏选择“数据准备>数据标注”，进入数据标注页面。 在数据标注列表页，“我创建的”页签下，选择需要复制的标注任务。 单击作业操作列的“更多>复制”。

查看更多 →

使用自动分组智能标注作业 为了提升智能标注算法精度，可以均衡标注多个类别，有助于提升智能标注算法精度。ModelArts内置了分组算法，您可以针对您选中的数据，执行自动分组，提升您的数据标注效率。 自动分组可以理解为数据标注的预处理，先使用聚类算法对未标注图片进行聚类，再根据聚类

查看更多 →

提供图像、文本、音频、视频等多种格式数据的预览，帮助用户识别数据质量。 提供对数据进行多维筛选的能力，用户可以根据样本属性、标注信息等进行样本筛选。 提供12+标注工具，方便用户进行精细化、场景化和专业化的数据标注。 提供基于样本和标注结果进行特征分析，帮助用户整体了解数据的质量。 提升用户数据准备的效率。 提供数

查看更多 →

支持在分布式的、信任边界缺失的多个参与方之间建立互信空间； 实现跨组织、跨行业的多方数据融合分析和多方联合学习建模。 灵活多态 支持对接主流数据源（如 MRS 、 DLI 、 RDS、 Oracle等）的联合数据分析； 支持对接多种深度学习框架( TICS ，TensorFlow)的联邦计算； 支持控制流和数据流的分离

查看更多 →

0：已标注 1：未标注 2：全部 3：条件筛选 path 否 String 导出到OBS的输出路径。导出数据到OBS或者导出为新的数据集时该参数必传。 sample_state 否 String 样本状态。可选样本状态如下： __ALL__：已标注 __NONE__：未标注 __UNCHECK__：待验收

查看更多 →

数据和目标数据的标签列修改代码框左侧“# Select data from dataframe”标注下的对应值。 本文以使用“CMF”方法为例。 单击界面右上角的图标，选择“迁移学习 > 特征迁移 > 迁移操作 > CMF”。 界面新增如图1所示内容。 图1 使用CMF算法迁移数据

查看更多 →

可见范围内的学员在学员端可看见此项目并可以进行学习，学习数据可在学习项目列表【数据】-【自学记录】查看。 学习设置： 防作弊设置项可以单个项目进行单独设置，不再根据平台统一设置进行控制。 文档学习按浏览时长计算，时长最大计为：每页浏览时长*文档页数；文档学习按浏览页数计算，不计入学习时长。 更多设置：添加协同人

查看更多 →

学习目标 掌握座席侧的前端页面开发设计。 父主题： 开发指南

查看更多 →

拆分批次任务 当样本数量庞大时，平台可对批次任务做拆分处理，具体步骤如下： 在左侧菜单栏中单击“标注服务 > 项目管理”。 选择“标注项目”页签，单击项目名称，进入项目内任务列表。 选择“批次任务列表”页签，单击操作栏中的“拆分”。 输入子任务样本数量，子任务样本数量不可大于批次任务的样本总数。

查看更多 →

accepted_sample_count Integer 通过的样本数目。 checked_sample_count Integer 已验收的样本数目。 pass_rate Double 样本的通过率。 rejected_sample_count Integer 驳回的样本数目。 sampled_sample_count

查看更多 →

number is 0. 原因分析 该日志表示数据集中的有效样本量为0，可能有如下原因： 数据未标注。 标注的数据是不符合规格的（如目标检测算法要求标注为矩形框，但是提供数据标注为非矩形框）。 处理方法 请您检查数据是否已标注，或检查数据标注是否符合算法要求。 父主题： 预置算法运行故障

查看更多 →