产品经理入门：图像识别的标签训练

图像识别算法现在已经有很多开源的，但在特定业务下仍然需要企业自己通过开源模型进行训练，获得对应业务领域的标签合集。

比如做医学的五官患者面部的疾病识别，我们从数据采集到图像算法建立，可以分为3个步骤。每个步骤产品经理输出的产品设计方案是有非常大的区别。

那些打算加入图像识别领域的产品经理，搞清楚产品经理的智能与分工，定义清楚输出的产品设计方案。

1.数据采集

数据采集是产品经理提供一套可以获得图像源数据的产品设计方案，比如在医院场景里，想通过图像识别某个患者病症，就需要收集到对应患者的原始图像数据。

采集方式可以用手机或者iPad等进行拍摄，图像数据可以有平面图片和3D图片，但原理都一样的，如下图是平面与3D图像之间患者照片

左边汽车代表了3D图像，支持三维空间中的体积和位置等特征，右边是仅用x,y坐标标注的平面图像。后者在标注处理上更容易，都会被遮挡所影响，但是平面图像在处理时候一定要给予方向，否则会影响应用。

市面上有非常多的数据标注开源软件，而建议大家选择比较稳定的labelimg，它是一款开源的基于python编写的标注工具，可以将标注文件导出为 PASCAL VOC 格式的 XML 文件或YOLO格式的TXT格式。在其默认版本中，labelimg 仅提供一种标注类型——边界框或矩形。但是，也可以使用 GitHub 页面使用代码添加另一个形状。

在数据采集，产品经理要关注当前图像数据核心采集操作，是选择平面还是边框还是多边形。从而提升采集软件的采集效率。有时候还可以支持多人协同采集，增加了采集速度

2.标签软件集成与打标签操作

有了采集软件，我们就要完成标签操作。大概步骤如下

• 运行labelme后，打开文件夹

• 使用多边形工具勾勒目标

• 勾勒完成后创建标签

• 微调边框，点击编辑多边形，有很多操作。

• 最后存储

由此，产品策划上可以设计出至少2个端，分别是采集端和打标签端，前者负责采集数据，后者负责对数据进行标签特征提取。

并将得到的图像进行处理，处理后得到2类文件：图像文件、以及图像标签文件。图像文件是JPG或者PNG，图像标签文件是JSON等数据格式。

有了以上数据，我们才能开始进入深度模型训练训练，建设图像识别的可能。

图像数据处理后，通过这些图像导入在模型进行特征集合训练，就可以得到算法模型

3.半自动辅助与人工业务操作

训练获得的模型算法之后，就能够开始辅助医疗人工诊断，在诊断过程中以辅助形式帮助人工检查，人工对机器结果进行核对，从而不断调优算法模型。

医学类的数据，一般会根据某个特例疾病的复杂度，来看需要多少样本。在这个阶段，这一点产品经理只是给出展示界面以及人工交互操作入口，同时基于以上管理端、采集端进行功能优化，提升采集效率。

在系统中记录数据日志，展示角色权限，可以让人对识别结果进行判断甚至是调整，不断优化模型识别结果。

4.全自动化操作

以上第三个步骤不断重复，最后实现在特例疾病下完全自动化操作，不需要人工操作就可以完成特殊疾病识别。

也是就是图像采集、标签、训练，产品经理的角色扮演。

-------------------END-------------------