第(1/3)頁

    也是了，孟繁岐恍然明悟。

    檢測任務的數據集收集和標注的成本更高，這也是為什么孟繁岐奪冠的大賽，分類圖片一千多萬張，檢測圖片才幾萬張。

    目前所有的這些內容全部都是人工去標注。

    一張分類圖片，只需要標注一個標簽，它是什么即可。

    而標注一張檢測圖片，經常需要在上面添加數個，甚至十數個檢測框，需要細致到具體輪廓，然后再添加類別。

    標注的成本，自然是十數倍的差別。

    為圖片添加選框和標簽的工具也不完善，操作繁瑣，就更使得其緩慢。

    截止到現在，深度神經網絡為基礎的檢測算法還有展現出什么實際的商業價值，還停留在實驗室研究階段，實際上并沒有得到這些大公司足夠的重視。

    目前商業用的檢測算法，還是傳統技術為主，并不需要訓練數據，而是通過人工設計的濾波器去提取特征。

    孟繁岐演示使用的公開voc檢測數據一共就幾萬張，相比日后動輒幾千億的模型參數量，幾個t的數據量，這個規模有點像過家家。

    此時此刻，就白度內部而言，李彥弘這個深度學習研究院，也只在私下積累了不到十倍的私有數據量，也就差不多二三十萬張。

    對于白度來說，基于這個本錢，想直接像后來的chatgpt一樣，提供一個人人可用的ai智能，那還差了十萬八千里。

    “李彥弘開這個技術發布會的意圖，其實就是伸手要數據。”孟繁岐稍一思索就想明白了，“通過展現這種神奇的效果，誘惑需要工業檢測的廠商，需要醫療圖像檢測的機構，想要開發自動駕駛的車企。”

    “你們給我數據，我就能幫你們做這個功能。”

    李彥弘這是想趁這個技術優勢，收割一大波免費的數據啊！

    這小算盤，打得太精了。孟繁岐心中嘖道。

    這個時間段，這種圖片數據的價值還沒有得到廣泛的理解，借助檢測技術的飛躍，白度收割這些圖片起來就像噶韭菜。

    再過一段時間，就沒那么容易白賺了。
    第(1/3)頁