Идея проекта:
Создание расширяемой системы автоматической разметки данных (auto-labeling) на базе открытой платформы CVAT, которая ускоряет и удешевляет подготовку обучающих датасетов для моделей компьютерного зрения. Система объединяет CVAT как среду ручной и полуавтоматической разметки с модулем ИИ-авторазметки (предобученные и дообучаемые модели детекции, сегментации, трекинга, позы), механизмом активного обучения (выбор наиболее информативных кадров), контролем качества и версионированием датасетов. Расширяемость обеспечивается через плагинную архитектуру: новые модели, форматы и пайплайны подключаются без изменения ядра. Это снижает трудозатраты разметчиков, повышает скорость подготовки данных и делает процесс воспроизводимым, что критически важно для команд ML, лабораторий, промышленных заказчиков и образовательных проектов.

Цель на акселератор:
Cформировать и верифицировать работающий прототип расширяемой системы авторазметки на базе CVAT, который подключает минимум 2–3 модели ИИ-авторазметки (например, детекцию и сегментацию) через плагинный интерфейс, автоматически размечает новые данные, передаёт их на верификацию в CVAT, поддерживает цикл активного обучения и демонстрирует сокращение времени разметки не менее чем на заданный процент при сохранении качества разметки не ниже заданного порога, а также подготовить архитектуру решения для масштабирования и пилотного внедрения.

Задачи для достижения цели:

1. Разработка архитектуры и плагинного ядра системы: cпроектировать модульную архитектуру (слой интеграции с CVAT, реестр плагинов, менеджер моделей, оркестратор пайплайнов, модуль контроля качества, хранилище датасетов), определить протоколы взаимодействия с CVAT (API, webhooks), выбрать стек технологий (Python, CVAT SDK, ONNX/PyTorch, Docker) и реализовать базовый сценарий авторазметки.
2. Интеграция с моделями ИИ-авторазметки и циклом активного обучения: настроить подключение предобученных и дообучаемых моделей (детекция, сегментация, трекинг), реализовать механизм выбора информативных кадров и дообучения на верифицированных данных, обеспечить конвертацию результатов в форматы CVAT и обратно.
3. Создание системы верификации качества и визуализации: разработать методику оценки авторазметки (точность совпадения с ручной разметкой, доля правок, экономия времени, метрики mAP/IoU до и после дообучения), создать интерактивный дашборд для отображения прогресса разметки, работы моделей, цикла активного обучения и журнала версий датасета.
4. Анализ применимости и подготовка бизнес-кейса: провести анализ чувствительности системы к типу данных и домену, определить сценарии использования (Use Cases) для ML-команд, лабораторий, промышленных заказчиков и образовательных проектов, сформировать roadmap развития продукта за пределами акселератора.

Ожидаемые результаты:

1. Рабочий прототип (MVP) расширяемой системы авторазметки: программный комплекс, который подключает модели ИИ-авторазметки через плагинный интерфейс, автоматически размечает данные, передаёт их на верификацию в CVAT, поддерживает цикл активного обучения и выдаёт готовые датасеты через API или веб-интерфейс.
2. Отчёт по верификации эффективности: документ, содержащий метрики (сокращение времени разметки, точность авторазметки относительно ручной, динамика mAP/IoU после дообучения, доля правок разметчика) и сравнение с ручной разметкой.
3. Интерактивный демонстрационный дашборд: визуальный интерфейс, отображающий прогресс разметки, работу моделей, цикл активного обучения, качество датасета и журнал версий, готовый для показа инвесторам, научным партнёрам и заказчикам.
4. Пакет проектной документации: Архитектурная схема решения, описание плагинного интерфейса, бизнес-модели и рынка инструментов разметки данных, план дальнейшего развития (roadmap) на 6–12 месяцев.

Проект «Разработка расширяемой системы авторазметки данных на базе CVAT» соотносится с национальным проектом технологического лидерства «Микроэлектроника» через уровень «Системы управления с применением искусственного интеллекта (робототехника)» и элемент «Процессоры с встроенными ускорителями ИИ», что соответствует косвенной связи, поскольку система использует вычислительную технику и ИИ-обработку данных для автоматической разметки, активного обучения и контроля качества датасетов компьютерного зрения, но не создаёт саму микроэлектронную компонентную базу.

Дополнительно проект соотносится:

• с НПТЛ «Беспилотные авиационные системы» через уровни «Технологии технического зрения для БАС» и «Вычислители, фотонные интегральные информационные системы» - тип связи обеспечивающая, поскольку система авторазметки ускоряет подготовку обучающих данных для систем технического зрения и анализа больших данных БАС (навигация, управление, мониторинг);
• с НПТЛ «Технологическое обеспечение продовольственной безопасности» через уровни «Селекция и генетика в растениеводстве» и «Технологии в животноводстве и ветеринарное благополучие» — тип связи обеспечивающая, поскольку система авторазметки ускоряет подготовку данных для алгоритмов машинного зрения в задачах цифрового фенотипирования растений и ИИ-мониторинга в животноводстве;
• с НПТЛ «Биоэкономика» через уровень «Средства производства продукции биоэкономики» - тип связи косвенная, поскольку система использует базы данных и программное обеспечение для управления датасетами и версионирования разметки в отраслях биоэкономики.

На страницу проекта