CV_anotace_a_datasety.md

Anotace dat a tvorba datasetu pro CV

Tato kapitola vysvětluje, jak správně připravit anotovaný dataset pro computer vision modely.

1. Concept

Kvalita anotací často rozhoduje víc než volba architektury modelu. U CV typicky řešíte:

• klasifikaci (label na celý obrázek)
• detekci objektů (bounding box)
• segmentaci (pixelová maska)

Praktický postup:

• definovat jasné třídy a pravidla anotace
• oddělit train/validation/test už na začátku
• hlídat distribuci tříd a kvalitu anotací
• držet konzistentní formát (např. COCO, YOLO)

Bez kvalitního datasetu vzniká šum, který model přejímá a následně selhává v produkci.

2. Example

from dataclasses import dataclass
from collections import Counter


@dataclass
class Annotation:
    image_id: str
    label: str


annotations = [
    Annotation("img_001", "cat"),
    Annotation("img_002", "dog"),
    Annotation("img_003", "cat"),
    Annotation("img_004", "dog"),
    Annotation("img_005", "dog"),
]

label_distribution = Counter(a.label for a in annotations)
print("Distribuce tříd:", dict(label_distribution))

# Jednoduchá kontrola nevyváženosti
max_count = max(label_distribution.values())
min_count = min(label_distribution.values())
print("Imbalance ratio:", round(max_count / min_count, 2))

3. When to use

• Když stavíte image klasifikaci, detekci objektů nebo segmentaci.
• Když migrace modelu na produkční data dává slabé výsledky a je potřeba audit datasetu.
• Když připravujete dlouhodobě udržovatelný datový proces pro retrénink.

4. Common mistakes

• ❌ Nejasná pravidla anotace mezi anotátory - model se učí nekonzistentní labely.
• ❌ Náhodný split dat bez hlídání úniku podobných obrázků mezi train a test.
• ❌ Ignorování nevyváženosti tříd a kvality validace.

---

Optional: Deep dive

U složitějších projektů je vhodné měřit i inter-annotator agreement a zavést kontrolní audit vzorku anotací. Tím odhalíte systematické chyby dřív, než investujete čas do tréninku.

---

Další krok: Evaluace CV modelů v praxi