前言
手动数据标注必然是 AI 智能中最不智能的部分，周期长、质量不稳定一直是行业痛点。遇到复杂场景（数量多、背景复杂、难识别）更是苦不堪言。COCO 数据中大量的 is_crowd 就说明了问题，难标的数据带来性能不佳的模型。
开源模型预标注一定程度改变了现状，被 Labelbox、Roboflow 等国外的 SaaS 产品采用，但是价格高昂，面对复杂场景错标、漏标频出，也需要再训练微调才能落地。
后来，Grounding DINO，SAM 的相继涌现把图像标注革新了一轮。
2024年，基于视觉提示的自动标注工具 T-Rex Label，旨在把智能标注推进到下一阶段。
核心亮点
相信研究计算机视觉的朋友都会对刷新 SOTA 纪录的 Grounding DINO 和 T-Rex2 模型有所耳闻，T-Rex Label 正是同一个团队（IDEA）基于 T-Rex2 推出的自动标注工具。
AI 一键标注，复杂场景效率王者
T-Rex2 视觉提示功能相比于语言提示更高效。视觉提示可以直接框选 prompt 生成指令。语言提示在一些情况下则需要反复的措辞与修改，会消耗更多的时间。对于语言描述困难的物体，如复杂的形状或特殊的纹理，视觉提示可以有效降低语言障碍对标注过程的影响，即使在面对罕见的物体时也能提供准确高效的标注。
交互式视觉提示则可以让用户立即得到反馈，并在必要时进行快速修正，确保标注的准确性，提升数据质量。
因此，T-Rex Label 的工作流程可以概括为：框选目标物体→ AI 一键标注→人工检查与 AI 辅助修正，省去了编排语言指令与手动拉框的过程，大大简化了标注流程。
超越GPT-4V, YOLOv8，效率、准确度兼备
在国外学者 Konlavach Mengsuwan 的论文[1] 中，通过数咖啡豆的场景，直观地对比了 T-Rex 模型、 GPT-4V 和 YOLOv8。
GPT-4V 作为性能最强的多模态模型模型，在物体计数的速度与准确度上远不及 T-Rex。在效率方面，T-Rex 可以实现 0.5 秒完成一张图片推理，包含物体检测与物体计数。GPT-4V 则需要 1.05 秒才能处理一张图片。在准确度方面，T-Rex 预测准确度 R2 值为 0.923，是 GPT-4V Zero-Shot 的 2.5 倍，这说明 T-Rex 的图片分析结果更接近真实情况，能实现高精确度的物体检测。
T-Rex Label 的 AI 智能标注功能可以精准地按照提示识别物体。特别是针对高难度的复杂场景，T-Rex Label 更能展现出准确度优势。复杂场景除了物体数量，还存在物体大小、形状、角度的变异性，一些模型会在复杂场景中频频出错，因此还需要大量查缺补漏的时间。但 T-Rex Label 可以精准地识别出绝大部分物体，帮助标注员减少返工的时间。
通用模型，检测一切
使用预训练模型自动标注，通常需要收集数据、标注数据、微调模型、部署模型、再用于自动标注，这个周期较长，且耗时耗力。以 YOLOv8 为例，根据论文[1] 的实验结果，YOLOv8 需要花费大量的时间进行标注和训练，整个流程时长是 T-Rex 的194倍，标注的准确性也不及 T-Rex。
卓越的零样本检测能力，让 T-Rex Label 无需额外的训练成本就可以直接应用到各类场景的标注中，具有极强的泛化能力。目前已知 T-Rex Label 在农业、工业、动物、医疗、OCR、零售、电子、交通、物流等多个领域的数据集上都表现优异。
开箱即用，快速上手
T-Rex Label 无需下载安装，上手成本极低，还支持 Github 账号一键登录。
PC 端体验链接：T-Rex Label
1\] Mengsuwan K, Palacio J C R, Ryo M. ChatGPT and general-purpose AI count fruits in pictures surprisingly well\[J\]. arXiv preprint arXiv:2404.08515, 2024.