Programmatisk Rammeværk for Videoannotation til ML & Indholdsproduktion

MicrocosmWorks byggede dette framework til teams, der har brug for at generere annoteringer i stor skala ved hjælp af kodestyrede regler snarere end manuel klikning. Det understøtter skrivning af annoterings-pipelines som Python-scripts, der anvender forudtrænede detektorer, temporal logik og spatiale regler til automatisk at generere træningsdata, og eksporterer derefter i COCO-, Pascal VOC- eller YOLO-formater.

Ja, MicrocosmWorks implementerede en temporal annoteringsmodel, der understøtter frame-intervaller, keyframe-interpolation og event-baserede labels med start-/slut-timestamps. Annotatorer kan definere temporale regler som 'label som løb, når pose estimation registrerer begge fødder fra jorden i mere end 3 på hinanden følgende frames' for at automatisere handlingslabeling.

MicrocosmWorks byggede en valideringspipeline, der beregner overensstemmelsesscorer mellem programmatiske annotationer og et menneskegennemgået 'golden set', der markerer alle annotationer, som falder under en konfigurerbar IoU eller en tærskel for tidsmæssigt overlap. Rammeværket understøtter også 'active learning workflows', der sender annotationer med lav tillid til menneskelige korrekturlæsere.

MicrocosmWorks har bygget rammeværket oven på FFmpeg og OpenCV, og understøtter alle større containerformater, herunder MP4, MKV, AVI og MOV, med codecs fra H.264 til ProRes. Rammeværket behandler videoer i deres native opløsning, men understøtter konfigurerbar nedskalering til annotationspasset for at accelerere gennemstrømningen på store datasæt.

MicrocosmWorks leverer ML-infrastrukturprojekter til priser på $25-$45/time, hvor et programmatic video annotation framework, inklusive rule engine, format exporters og quality validation pipeline, typisk kræver 300-500 udviklingstimer. Frameworket tjener sig hurtigt ind ved at reducere manuelle annotationsomkostninger, som kan ligge på $5-$15 per minut video.