Детальная информация

Данная работа посвящена решению задачи создания отечественного программного обеспечения для разметки данных, предназначенного для обучения моделей машинного обучения. В процессе исследования были поставлены и решены следующие задачи: Анализ современных систем разметки данных и существующих решений: Roboflow, CVAT, Supervisely, MakeSense, VIA. Обоснование выбора технологического стека: Python, Qt Framework, PyTorch, OpenCV. Разработка архитектуры приложения, включая модули для загрузки данных, автоматической и ручной разметки, многопоточной обработки и экспорта. Реализация удобного интерфейса пользователя с поддержкой горячих клавиш и интерактивных инструкций. Тестирование приложения на реальных данных, включая сравнение с аналогами. В рамках работы было разработано локальное приложение, обеспечивающее высокую скорость разметки и конфиденциальность. Приложение поддерживает загрузку данных из различных источников, включая локальные файлы и видео с YouTube, а также экспорт в форматы, совместимые с TensorFlow и PyTorch. Интерфейс был оптимизирован для удобства использования. Результаты работы демонстрируют, что приложение превосходит аналоги по скорости, удобству и безопасности, что делает его перспективным инструментом для российских компаний, работающих с конфиденциальными данными.

This work addresses the problem of creating a domestic software solution for data annotation, designed for training machine learning models. The following tasks were set and solved during the study: Analysis of modern data annotation systems and existing solutions: Roboflow, CVAT, Supervisely, MakeSense, VIA. Justification of the technology stack: Python, Qt Framework, PyTorch, OpenCV. Development of the application architecture, including modules for data loading, automatic and manual annotation, multi-threaded processing, and export. Implementation of a user-friendly interface with support for hotkeys and interactive instructions. Testing the application on real data, including performance comparison with analogues. The project resulted in a local application that provides high-speed annotation and data confidentiality. The application supports data loading from various sources, including local files and YouTube videos, as well as export to formats compatible with TensorFlow and PyTorch. The interface was optimized for ease of use, including interactive instructions and multi-threading support. The solution was finalized as a fully integrated module accompanied by technical documentation. The results demonstrate that the application outperforms analogues in speed, convenience, and security, making it a promising tool for Russian companies working with confidential data.