Были ли размеченные данные для системы видеонаблюдения
Что проверяют
Понимаете ли вы, что в компьютерном зрении качество разметки часто важнее выбора модели, и умеете ли организовать процесс. Следом спрашивают, как вы контролировали качество разметки и как делили данные на обучение и тест.
Как отвечать
Ответ строится на вашем проекте, поэтому подготовьте конкретику: задача (детекция людей и транспорта, трекинг, распознавание действий), сколько камер и часов видео, сколько кадров разметили, чем и кто. Каркас:
- источник данных: своя разметка, открытые датасеты для старта (COCO, CrowdHuman, MOT17) или дообучение готовой модели;
- инструмент: для видео удобен CVAT, он ведёт треки и интерполирует рамки между ключевыми кадрами. Подходят и Label Studio, Roboflow. LabelImg больше не развивается;
- ускорение: предразметка готовым детектором вроде YOLO, человек только правит. Дальше active learning: размечаете кадры, где модель не уверена;
- качество: инструкция с пограничными случаями (перекрытия, ночь, ИК-режим, отражения), эталонный контрольный набор, согласованность разметчиков через IoU рамок или каппу Коэна для классов;
- разбиение: по камерам или по времени, а не по кадрам;
- метрики: mAP@0.5 и mAP@0.5:0.95 для детекции, MOTA или HOTA для трекинга.
Отдельно скажите про персональные данные: изображения лиц по 152-ФЗ могут считаться биометрией, поэтому доступ к записям ограничивают, а в выгрузках для внешних разметчиков лица размывают.
Если размеченных данных не было, так и ответьте и расскажите, что делали вместо этого: открытые датасеты, zero-shot детекторы, синтетика, слабая разметка. Это нормальная история, если в ней есть решение и результат.
Где спотыкаются
Называют «точность 95%», не уточняя метрику, порог IoU и данные, на которых мерили. Такую цифру разбирают первым же уточняющим вопросом.
Раскидывают кадры одного видео между train и test случайно. Соседние кадры почти одинаковы, модель запоминает сцену, метрика завышена, а на новой камере качество падает.
Размечают «подозрительное поведение» без чёткого определения класса. Два разметчика понимают его по-разному, и модель учится на шуме.