CVAT v2.37.0版本发布:增强标注质量检查与交互式检测功能
项目简介
CVAT(Computer Vision Annotation Tool)是一个开源的计算机视觉标注工具,广泛应用于机器学习数据标注领域。它提供了强大的图像和视频标注功能,支持多种标注类型和格式,是计算机视觉领域研究人员和工程师的重要工具。
新增功能亮点
项目级标注质量检查
本次版本最重要的更新之一是增加了对项目的标注质量检查功能。这意味着用户现在可以在项目级别对整个数据集的标注质量进行全面评估,而不仅仅是针对单个任务。该功能可以帮助团队快速发现标注中的共性问题,提高整体数据质量。
交互式检测请求支持
在CLI工具中,代理现在能够处理交互式检测请求。这一改进使得自动化标注流程更加灵活,用户可以根据实际情况动态调整检测参数,获得更精确的标注结果。
SDK改进
SDK新增了BackgroundRequestException异常类,当后台请求(如导出数据集或创建任务)失败时,将抛出此异常而非原来的ApiException。这一改变使得错误处理更加明确,开发者可以更精准地捕获和处理后台任务相关的异常。
数据格式支持增强
Datumaro格式现在支持椭圆标注类型。这一更新扩展了CVAT的数据兼容性,使得使用椭圆标注的数据集可以更方便地在不同工具间迁移和共享。
用户体验优化
按文件名搜索帧
新增的按文件名搜索帧功能大大提升了大型数据集中的导航效率。用户现在可以直接通过文件名快速定位到特定帧,而不需要手动浏览整个数据集。
快捷键提示改进
修复了当未分配快捷键时工具提示显示空括号的问题,使得界面更加整洁和专业。
性能优化与问题修复
本次版本对质量检查相关的API端点进行了性能优化,特别是GET api/quality/reports/和GET api/quality/conflicts/请求。同时修复了多个关键问题,包括:
- COCO格式导入不再要求非必要字段,提高了格式兼容性
- 修复了工作队列中可能出现的Redis异常
- 解决了轨迹插值中的属性错误问题
向后兼容性说明
需要注意的是,服务器API中的frame_count和frame_share字段已被标记为弃用,取而代之的是新的validation_frames和validation_frame_share字段。开发者应逐步迁移到新字段以确保未来版本的兼容性。
总结
CVAT v2.37.0版本通过增强标注质量检查、改进交互式检测功能以及优化用户体验,进一步巩固了其作为专业级计算机视觉标注工具的地位。这些更新不仅提高了标注效率,也为团队协作和数据质量管理提供了更强大的支持。对于计算机视觉领域的研究人员和工程师来说,升级到最新版本将带来更流畅、更高效的标注体验。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5暂无简介00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00