Tensorflow和Caffe等深度學習中，監督學習的數據標註是一件非常繁瑣和耗時的工作，目前大多數公司都採用外包給標註公司進行處理，或者購買現有的數據集，使得進行深度學習研究的成本異常高。本文介紹一種以人工智能解決數據標註的思路和方法。
一、思路
步驟：
1、以一個初步模型對小批量待標註數據進行檢測，這裏的初步模型可以是自己用少批量數據集訓練出來的，也可以用網上公佈的；
2、對檢測出來的結果進行人爲干預糾正；
3、把糾正後的數據訓練新的模型；
4、用新模型對中等批量待測數據進行檢測；
5、通過1~5步驟的循環迭代，可以逐步求精；
6、雖然也需要人工參與，但可以極大減少工作量。
實現方法：
1、Anno-Mage
Anno-Mage是一個半自動標註工具，通過一個通用模型對數據集進行檢測。但這個工具能標註的物品類型有限，也沒有模型迭代逐步求精的過程，可以自行對其源碼進行修改優化。
github代碼地址：https://github.com/virajmavani/semi-auto-image-annotation-tool
2、easyDL智能標註
2.1、智能標註
百度easyDL提供了智能標註的功能，跟以上思路差不多，都是先對小批量數據進行標註學習訓練，然後以學習結果去標註剩下的數據集，然後人工糾正，迭代求精。
easyDL平臺網址：https://ai.baidu.com/easydl/lite
智能檢測技術文檔：https://ai.baidu.com/ai-doc/EASYDL/lk38n327g
2.2、數據導出
但easyDL官方不提供數據導出功能和api，這阻礙了我們把數據拿到Tensorflow和Caffe進行訓練。所以我們可以通過爬蟲技術來爬取訓練好的數據。
工具github地址：https://github.com/kooky126/easydl2labelImg