小科普
人工智能（Artificial Intelligence），英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能从诞生以来，理论和技术日益成熟，应用领域也不断扩大，可以设想，未来人工智能带来的科技产品，将会是人类智慧的“容器”。
什么是数据标注
数据标注种类繁多，如分类、拉框、注释、标记等等。想要理解数据标注，就得先理解什么是AI ，其实是部分替代人的认知功能。
小编带大家回想一下我们是如何学习的，例如我们学习认识飞机，那么就需要有人拿着一个飞机的图片到你面前告诉你，“看，这是飞机”。从此以后，不管你是在电视里还是在机场，只要你见到了飞机，你就会知道这玩意儿叫做 " 飞机 "。
同理可证，类比机器学习，我们要教它认识飞机，同样的，直接给它一张飞机的图片，它完全不知道这是个啥玩意的，这可怎么办呢？这跟人脑还是有点差距的啊！
什么？差距？没有的事儿，只是你的打开方式不对！
你听小编慢慢道来，首先，我们得有张飞机的图片，并且上面得标注着 " 飞机 " 两个字，然后机器通过学习了无数张飞机图片中的特征，直到它可以自行识别飞机，这时候我们再给机器任意一张飞机的图片，它就能认出来这是飞机了。
训练集和测试集，它们都是标注过的数据。
还是以飞机为例子，假设我们有 1000 张标注着 " 飞机 " 的图片，那么我们可以拿 900 张作为训练集，100 张作为测试集。
机器从 900 张飞机的图片中学习得到一个模型，然后我们将剩下的 100 张机器没有见过的图片去给它识别，那么我们就能够得到这个模型的准确率了。
想想我们上学的时候，考试题与平时我们做过的练习题总是有些出入的。当然，变换题型才能测试出学习的真正效果，这样就不难理解为什么要划分一个测试集了。
我们都知道机器学习分为有监督学习和无监督学习。
无监督学习的效果是不可控的，常常是被用来做探索性的实验。而在实际产品应用中，通常使用的是有监督学习。那么有监督的机器学习就需要有标注的数据来作为先行经验了。
小编这节“数据标注课”讲得怎么样呢？！
下面给大家看一下标注实例（操作）：
使用软件及平台为Python Anaconda
标注软件为开源项目 labelImg： https://github.com/tzutalin/labelImg
1、准备标注
2、标注进行时——人体拉框1
3、标注进行时——人体拉框2
4、已完成的标注图
labelImg 快捷操作
| 快捷键 | 功能 |
|---|---|
| Ctrl + u | 加载标注图片路径 |
| Ctrl + r | 更改标注结果文件路径 |
| Ctrl + s | 保存 |
| Ctrl + d | 拷贝标注框标签 |
| Space | 将当前图像标记为已验证 |
| w | 创建框 |
| d | 下一张图片 |
| a | 上一张图片 |
| del | 删除选定的框 |
| Ctrl++ | 放大 |
| Ctrl– | 缩小 |
| ↑→↓← | 键盘箭头微调框 |
标注软件为开源项目 labelme： https://github.com/wkentaro/labelme
# Build the standalone executable
conda create --name labelme python==3.6.0
conda activate labelme
在终端中输入：labelme，就可以打开 labelme 这个软件了。
参考文章
https://www.cnblogs.com/wangxiaocvpr/p/9997690.html