错漏装检测
错漏装检测 可以根据与标准图像对比，检测图像中零件的安装情况。常用与零件的错装和漏装检测。
完成模型标注后，可以参考 训练 章节下的视频，创建数据集版本并训练部署。
模型选择场景
错漏装检测 作用于判断某物体是否出现在场景中，或者判断某物体出现的次数。
错漏装检测 需要有标准图像作为学习对象，会学习并判断物体出现的次数。
标注方法
- 如果有已经训练过的模型，可以使用辅助标注工具，让深度学习模型来帮助您标注，然后您再检查以及纠正标注。
使用边界框标注工具(绿色)，或者智能标注(红色)，对物体进行边界框标注。
错漏装检测模型需要有一个 标准图像 作为比较的基准，您需要在标注好标准图像后，对于布局进行设置，否则数据集无法完成标注。
点击 保存为标准图像 后，点击继续。
警告
点击 保存为标准图像 会覆盖原先的标准图像，并重置布局。会导致标注失效并需要重新标注，请谨慎。
选择布局工具，框选出布局的位置。
布局可以是工件的整体范围，也可也是物体会出现的ROI范围。
保存后您可以查看目前布局的标签，布局中的物体标签和数量。
重复把所有需要识别的物件标注好。
如果场景内没有物体，请标注为空。
注意事项
错漏装检测模型 标注时，应当先标注好标准图像，设置好布局。
错漏装检测模型 标注中，标注区域不可超出图片边界。
于其他标注模型类似，在标注时，应当避免标注被大面积覆盖的物体，选择最顶层或最明显的物体进行标注。
练习
从 练习数据 中下载 presence_checking.zip
解压缩后您将得到11张图片和标注文件（.json）, 请您只上传图片到DaoAI World进行标注练习。之后可以一同上传图片和标注文件，对比结果。