偵測與分割
依量產前議定的類別分類，標註定界框、旋轉框、多邊形與像素層級遮罩。
- 2D 與旋轉定界框
- 多邊形與實例分割
- 語意分割
- 遮擋與截斷旗標
視覺與多模態
日文影像、影片與文件標註
定界框、多邊形、分割、關鍵點、影片追蹤、OCR 與文件版面——處理的是畫面中文字為日文、文件遵循日本商務慣例的資料。
多數視覺標註與語言無關。但只要畫面裡出現文字，或頁面上是一張日本表單，它就會很快地不再與語言無關。
日文視覺資料的不同之處
在車子外圍畫一個框，在哪個國家都是同一件事；讀懂一張日本收據上的文字則不然。日文文件直書與橫書一樣常見，同一行內混用四套文字系統，使用全形拉丁字母與數字，在被注音的詞上方標注假名，並在西式表單預期簽名的位置蓋上公司印章。
文件 AI 專案栽的通常是這些細節，而不是模型本身。把一個直書欄位當成五行分開處理的版面標註，或是把全形數字默默轉成半形的 OCR 轉錄，產出的訓練資料教給模型的，就不是您原本想教的東西。
畫面文字與街景文字也是如此：店家招牌、商品包裝、菜單與車站看板上，滿是通用標註規範根本沒有處理過的日文排版樣式。
重點速覽
- 任務類型
- 偵測、分割、關鍵點、分類、影片追蹤、OCR 轉錄、文件版面與欄位抽取。
- 文件類型
- 發票、收據、訂購單、合約、申請表、手寫填寫內容與直書材料。
- 日文處理
- 直書文字、注音假名、混合文字系統、全形字元與日本表單慣例。
- 典型輸出
- COCO JSON；亦支援 YOLO、Pascal VOC、CVAT XML、hOCR 與 ALTO。
- 審查
- 幾何與標籤分開審查，因為兩者的失效方式不同。
任務類型
我們標註什麼
幾何、類別與文字是分開的層級，也分開審查。
關鍵點與屬性
為姿態、商品狀態、狀況分級等細粒度工作，標註特徵點位置與各物件的屬性。
- 骨架與特徵點
- 各物件的屬性集
- 細粒度分類
- 各點的可見性旗標
影片標註
跨影格追蹤物件並維持穩定的身分，並對動作與事件做時間軸切分。
- 多物件追蹤 ID
- 動作與事件區間
- 影格區間內插結果的審查
- 遮擋後的重新辨識
OCR 與文件版面
在日本商務文件上進行文字區域偵測、閱讀順序、文字轉錄與結構角色標註。
- 文字行與區域偵測
- 直書與混合版面的閱讀順序
- 依正規化規則進行轉錄
- 表格、頁首與印章區域
欄位與關係抽取
把文件轉成結構化的值——哪段文字是總金額、哪個日期是開立日、哪些明細列屬於同一組。
- 鍵–值欄位標記
- 表格中的明細列分組
- 跨頁關係
- 信心度與歧義旗標
日文特有事項
通用視覺規範會漏掉什麼
日文影像與文件資料上，四個反覆出現的失效點。
直書與閱讀順序
縦書き日文既可由上到下、由右到左，也可由左到右書寫，而同一頁常常兩者混用。假設文字為橫排的工具，會產出一個「錯得很有自信」的閱讀順序。
我們的處理方式 閱讀順序是明確標註出來的，而不是從幾何位置推測，並訂有混合方向頁面、注音文字與多欄版面的規則。
注音假名與注音文字
ふりがな・ルビ印在漢字詞上方或旁邊的小假名是讀音註記，不是額外的內容。若把它們照原位轉錄進去會汙染文字；若不加思索地丟掉，又會失去您可能需要的資訊。
我們的處理方式 注音文字會以連結標註的形式掛在其對應的本文上，讓下游可以保留、捨棄或當作讀音標籤使用，不必重新標註。
全形與半形字元
全角・半角Ａ１２３ 與 A123 看起來幾乎一樣，卻是不同的字元。這裡若不控管正規化，是日文 OCR 資料集中最常見的隱性缺陷之一。
我們的處理方式 轉錄慣例明確載明哪些字元會被正規化、哪些必須原樣保留，並在交付前以自動檢查強制執行。
日本表單慣例
帳票日本的發票、收據與申請書有自己的一套結構用語——御中、但し書き、公司印章、以年號紀年的日期，以及並列的含稅與未稅總額。
我們的處理方式 欄位 schema 依貴團隊文件類型的真實範例建立，年號日期、印章區域與稅額處理都被定義為一級欄位，而不是自由文字。
流程
一個視覺專案怎麼進行
在任何人開始大量標註之前，先在真實樣本上把標籤分類與幾何規則定下來。
-
01
取樣並定義標籤分類
我們先標註一小批具代表性的資料，找出模稜兩可的情況——什麼算是一個物件、物件在畫面邊緣時怎麼處理、類別確實不明時該怎麼辦。
-
02
撰寫幾何規則
框的貼合程度、遮擋處理、最小物件尺寸、截斷、群體物件，以及無法辨讀文字的處理方式，全都以書面固定下來。
-
03
校準
數位標註人員各自獨立標註相同影像。我們會量測幾何一致率，一致率偏低之處，就代表規則有模糊地帶。
-
04
標註與審查
幾何與標籤分成兩輪審查，因為「框得很準但類別錯了」與「類別對但框得鬆散」是兩種不同的缺陷。
-
05
交付與呈報
標註成果以貴團隊的格式交付，並附上標籤分類版本、各類別數量與該批次的品質報告。
交付
輸入與輸出格式
我們直接匯出成貴團隊訓練管線的原生格式，不需要您另外寫轉換程式。
| 任務 | 預設輸出 | 亦可提供 |
|---|---|---|
| 偵測與分割 | COCO JSON | YOLO、Pascal VOC、CVAT XML、PNG 遮罩 |
| 關鍵點與屬性 | COCO keypoints JSON | CSV、自訂 JSON schema |
| 影片追蹤 | MOT 格式 | 逐影格 COCO、CVAT XML |
| OCR 與版面 | 含頁面座標的 JSON | hOCR、ALTO、PAGE XML |
| 欄位抽取 | JSONL，每行一份文件 | CSV、貴團隊的文件 AI schema |
品質
針對這類工作的控管措施
視覺缺陷很擅長藏起來。以下這些檢查，能在訓練之前先把它們挖出來。
- 在重新標註的樣本上量測幾何一致率，並與標籤一致率分開呈報。
- 自動檢查退化的定界框、重疊的重複標註，以及超出影像範圍的物件。
- 閱讀順序與注音文字連結逐頁驗證，不採抽樣。
- 依書面慣例自動強制執行全形與半形的正規化。
- 追蹤身分就整段影片通盤檢查，讓遮擋後身分對調的情況能被抓出來。
- 每一批都檢視各類別數量，讓某個類別悄悄從資料中消失時能及早發現。
常見問題
關於影像、影片與文件
日文視覺與文件 AI 工作的常見問題。
可以——手寫的表單填寫內容、地址、姓名與自由填答意見都能處理。手寫比印刷慢，歧義率也確實更高，因此我們會標記不確定的字元而不是用猜的；並且事先議定：無法辨讀的欄位是盡力轉錄，還是標記為無法辨讀。這個決定對您的模型而言，比原始正確率數字更重要。
可以。我們能在客戶提供的平台內作業——包括 CVAT、Label Studio、SageMaker Ground Truth、Labelbox 與內部自建工具——若您不方便開設帳號，我們也可在自己的安全環境中進行。用哪個平台不會改變標註規範或審查流程。
可以，而且在大量的偵測工作上，這往往是合理的做法。風險在於修正這一關會繼承模型的盲點，因此我們會拿它與從零標註的樣本比對，告訴您它實際抓出了什麼。至於日文文件的 OCR，我們比較保守，因為全形字元與直書文字上的模型錯誤在螢幕上很容易被看漏。
在保密協議與資料處理協議之下，於隔離環境中作業，存取權限僅限專案成員。我們也能標註個人資料以供遮蔽，或只處理您在寄送前已遮蔽過的材料。保存與刪除條款寫進合約，而不是交由內部政策決定。
日本文件常使用年號紀年——例如寫成令和6年而非 2024——而且同一頁常常兩種並存。我們把年號日期視為獨立欄位，保留原始字串，並在您需要時附上正規化後的西元值，讓轉換過程不會遺失資訊，也不會把轉換錯誤固化進資料裡。