Skip to main content
Avala 将每一帧、标签、审核决策和导出版本链接在一个平台中。当模型在边缘案例上失败时,您可以将预测追溯到影响它的确切训练标签——并修复根本原因而不是猜测。

可追溯性在 Avala 中的含义

Avala 中的每个标注都携带完整的溯源元数据: 这意味着您可以从任何导出的标签开始,向后遍历完整的链:哪个标注员创建了它,是否通过了 QA,来自哪个数据集项,以及每一步何时发生。

演练:调试模型故障

以下是可追溯性如何帮助您调试生产模型问题的具体示例。

1. 模型在边缘案例上失败

您的感知模型错误分类了 LiDAR 扫描中一个部分被遮挡的行人。您识别了预测并想了解模型为什么学到了这种行为。

2. 找到训练数据

使用 SDK 搜索您的导出,找到贡献于模型训练集的数据集项。

3. 检查单个结果

导出中的每个结果包含源数据集项、标注员信息和 QA 状态。

4. 追溯到源头

一旦识别了有问题的标签,您可以查找原始数据集项以查看其源文件、传感器元数据和完整的标注历史。

5. 修复并重新训练

确定根本原因后——例如,被遮挡行人的标注错误——您在 Avala 中修复标签,创建新导出,并用修正的数据重新训练模型。

优势

可重现性

每个导出都有版本号。您可以通过引用导出 UID 重新创建用于任何模型版本的精确训练集。无需猜测包含或排除了哪些标签。

更快的调试

无需手动搜索数千个标注来查找错误,您可以直接从模型的失败追溯到导致它的特定标签。以前需要几天的事情现在只需几分钟。

合规和审计追踪

对于受监管的行业(汽车、医疗、国防),可追溯性提供审计员要求的文档追踪。每个标注决策都有归属、时间戳,并链接到其 QA 审核。

持续改进

通过将模型性能与特定标注员、审核阶段和数据集版本相关联来跟踪标注质量。在系统性标注问题传播到训练管道之前识别它们。

通过 API 实现可追溯性

所有可追溯性数据都可通过 REST API 和 SDK 获取。关键端点: 完整端点文档请参阅 API 参考,或使用 Python SDKTypeScript SDK 获取类型化访问。

下一步

质量控制

了解 Avala 的多阶段 QA 工作流如何在标注错误到达模型之前捕获它们。

导出

创建带有完整溯源元数据的版本化标注数据导出。

质量 SLA

了解 Avala 的质量保证、准确性目标和交付时间。

Python SDK

安装 SDK 并开始以编程方式查询您的数据。