检测与分割
依据量产前商定的标签体系，标注边界框、旋转框、多边形与像素级掩码。
- 2D 与旋转边界框
- 多边形与实例分割
- 语义分割
- 遮挡与截断标记
视觉与多模态
日语图像、视频与文档标注
边界框、多边形、分割、关键点、视频跟踪、OCR 与文档版面——处理的数据里，图中的文字是日语，文档也遵循日本的商务惯例。
大多数视觉标注与语言无关。可一旦画面里出现文字，或者页面上是一份日式表单，它就会很快变得跟语言极其相关。
日语视觉数据的不同之处
给一辆车画个框，在哪个国家都是同一件事。读懂一张日本收据上的文字则不然。日语文档竖排和横排一样常见，一行之内混用四套书写系统，使用全角拉丁字母与数字，在被注音的词上方带有振假名，还会把公司印章盖在西式表单预期签名的位置。
文档 AI 项目栽的往往是这些细节，而不是模型本身。把一竖列当成五行独立文本的版面标注，或者悄悄把全角数字转成半角的 OCR 转写，产出的训练数据教给模型的，就不是您本来想教的东西。
屏幕上与户外场景中的文字也是同理：店铺招牌、商品包装、菜单与车站指示牌上，密布着通用标注规范根本没有涉及的日文排版形式。
要点速览
- 任务类型
- 检测、分割、关键点、分类、视频跟踪、OCR 转写、文档版面与字段抽取。
- 文档类工作
- 发票、收据、订购单、合同、申请表、手写填写内容与竖排文本材料。
- 日语处理
- 竖排文本、振假名、混合书写系统、全角字符与日式单据惯例。
- 常用输出
- COCO JSON；也支持 YOLO、Pascal VOC、CVAT XML、hOCR 与 ALTO。
- 复核
- 几何形状与标签分开复核，因为二者的失效方式不同。
任务类型
我们标注什么
几何形状、类别与文本是分开的层次，也分开复核。
关键点与属性
为姿态、商品状态、品相分级等细粒度工作标注关键点位置与逐对象属性。
- 骨架与关键点
- 逐对象属性集合
- 细粒度分类
- 每个点的可见性标记
视频标注
跨帧跟踪对象并保持身份稳定，同时对动作与事件做时间维度的切分。
- 多目标跟踪 ID
- 动作与事件区间
- 插值帧区间复核
- 遮挡后的重识别
OCR 与文档版面
在日式商务文档上做文本区域检测、阅读顺序标注、转写与结构角色标注。
- 文本行与区域检测
- 竖排与混排版面的阅读顺序
- 带规范化规则的转写
- 表格、页眉与印章区域
字段与关系抽取
把一份文档变成结构化取值——哪段文字是合计金额、哪个日期是开具日期、哪些行项目属于同一组。
- 键值字段标注
- 表格中的行项目归组
- 跨页关系
- 置信度与歧义标记
日语特有问题
通用视觉规范会漏掉什么
日语图像与文档数据上反复出现的四个失效点。
竖排文本与阅读顺序
縦書き日语既可以从上到下、从右到左排版，也可以从左到右，而同一页里两者常常混用。默认文本是横行的工具，会给出一个自信而错误的阅读顺序。
我们的处理方式 阅读顺序是显式标注出来的，而不是从几何位置推断的，并对混合方向的页面、注音文字与多栏版面各有规则。
振假名与注音文字
ふりがな・ルビ印在汉字词上方或旁边的小号假名是读音注释，不是额外内容。把它们直接串进正文会污染文本；不加分辨地丢弃，又会丢掉您可能需要的信息。
我们的处理方式 注音以链接到其基文本的标注形式保留下来，因此后续可以保留、丢弃或当作读音标签使用，无需重新标注。
全角与半角字符
全角・半角Ａ１２３ 与 A123 看上去几乎一样，却是不同的字符。这里的规范化若不加控制，就是日语 OCR 数据集中最常见的隐性缺陷之一。
我们的处理方式 转写约定明确写出哪些字符会被规范化、哪些原样保留，并由自动检查在交付前强制执行。
日式单据惯例
帳票日本的发票、收据与申请表有自己的一套结构性词汇——御中、但し書き、公司印章、和历日期，以及并列摆放的含税与不含税合计。
我们的处理方式 字段 schema 基于您实际文档类型的真实样例构建，和历日期、印章区域与税额处理都被定义为一等字段，而不是自由文本。
流程
一个视觉项目是怎么跑的
在任何人开始批量标注之前，标签体系与几何规则先在真实样本上敲定。
-
01
取样并定义标签体系
我们先标注一小批有代表性的数据，找出其中的歧义情形——什么算作一个对象、画面边缘该怎么处理、什么时候类别确实无法判断。
-
02
撰写几何规则
框的贴合程度、遮挡处理、最小对象尺寸、截断、成组对象，以及无法辨识文字的处理方式，全部以书面形式定死。
-
03
校准
多位标注员各自独立标注同一批图像。几何一致性会被度量，一致性低的地方，说明规则有歧义。
-
04
标注与复核
几何形状与标签分成两遍复核，因为“框很贴但类别错了”和“类别对但框很松”是两种不同的缺陷。
-
05
交付与报告
标注结果按您的格式交付，随附标签体系版本号、各类别数量统计与该批次的质检报告。
交付
输入与输出格式
我们直接导出成您训练流水线的原生格式，而不是让您自己去写转换器。
| 任务 | 默认输出 | 也可提供 |
|---|---|---|
| 检测与分割 | COCO JSON | YOLO、Pascal VOC、CVAT XML、PNG 格式掩码 |
| 关键点与属性 | COCO keypoints JSON | CSV、自定义 JSON schema |
| 视频跟踪 | MOT 格式 | 逐帧 COCO、CVAT XML |
| OCR 与版面 | 带页面几何信息的 JSON | hOCR、ALTO、PAGE XML |
| 字段抽取 | JSONL，每行一份文档 | CSV、您自有的文档 AI schema |
质量
针对这类工作的专门控制手段
视觉类缺陷很善于藏身。下面这些检查，能在训练之前就把它们翻出来。
- 在重新标注的样本上度量几何一致性，与标签一致性分开报告。
- 自动检查退化框、重叠的重复标注，以及越出图像边界的对象。
- 阅读顺序与注音链接在每一页文档上都校验，而不是抽样校验。
- 全角与半角的规范化依据成文约定自动强制执行。
- 跟踪身份在整段片段范围内检查，以便发现遮挡之后的身份互换。
- 每一批都复核各类别的数量，好在某个类别悄悄从数据里消失时及早发现。
常见问题
关于图像、视频与文档
关于日语视觉与文档 AI 工作的常见问题。
可以——手写的表单填写内容、地址、姓名与自由填写的备注。手写比印刷体慢，歧义率也确实更高，所以我们会把不确定的字符标出来，而不是靠猜；并且事先约定：无法辨认的字段是尽力转写，还是标记为无法辨识。对您的模型而言，这个决定比那个原始准确率数字更重要。
可以。我们能在客户提供的平台内作业——包括 CVAT、Label Studio、SageMaker Ground Truth、Labelbox 以及内部自研工具——如果您不方便开通账号，也可以在我们自有的安全环境中完成。用哪个平台并不会改变标注规范或复核流程。
可以，而且在大批量的检测类工作上，这往往是明智的做法。风险在于，修正这一遍会继承模型的盲区，所以我们会拿它与一份从零标注的样本做对比度量，告诉您它实际抓出了什么。对日语文档的 OCR，我们更为谨慎，因为模型在全角字符与竖排文本上的错误，在屏幕上很容易被看漏。
在保密协议与数据处理协议之下，在隔离环境中进行，访问权限仅限项目组成员。我们也可以把个人信息标注出来供脱敏，或者只处理您在发送前已脱敏的材料。留存与删除条款写入合同，而不是仅凭一份政策。
日本的文档常用年号纪年——写作 令和6年 而不是 2024——而且同一页上往往两种并存。我们把和历日期作为独立字段处理，保留原始字符串，并在您需要时附上规范化后的公历值，这样转换过程中不会丢失信息，也不会把某个转换错误固化进数据里。