訓練深度學習模型需要大量的資料集，但蒐集和標註這些資料既耗時又費力。我們開發了一套自動化標註（Auto-Labeling）的技術，能夠同時標註2D和3D資料，大幅減少人工標註的時間和成本。這套技術能高效地處理和標註大量資料集，顯著提升效率並降低成本。

我們開發了一套以物件偵測(Object Detection)模型為基礎，結合2D影像與3D點雲進行推論的自動化標註流程。這一流程不僅大幅提升了標註效率，還顯著降低了成本，使資料集的生成變得更加快速和精確。

我們的Auto-labeling技術能達到90%的準確率和召回率。從結果對比圖中可以看出，Auto-labeling的標註效果與人工標註相當，甚至能偵測出少數人工遺漏的物件，已經成為一個強大的輔助標註工具。目前的統計顯示，Auto-labeling可以有效減少約80%-90%的人力成本。

成果