定位模型
==========================================
**定位模型** 可以检测图像中的对象并标记它们的位置，判断推理图像中的位移和旋转。
.. image:: Images/pos.png
:scale: 100%
.. .. raw:: html
..
..
..
|
完成模型标注后，可以参考 :ref:`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
------------------------------------------
.. TODO
**定位模型** 作用于单一物体，即数据集中只包含一种物体。
**定位模型** 需要有标准图像作为学习对象，需要关键点辅助判断物体旋转。
**定位模型** 会学习并判断物体是否存在基于标准图像中物体的位移或者旋转。
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。
.. image:: Images/suppor_anno.png
:scale: 100%
首先，您需要标注物体的外轮廓。
.. image:: Images/pos_obj.png
:scale: 100%
使用多边形工具(绿色)，或者智能多边形(红色)，标注出物体的外轮廓。
.. image:: Images/pos_mask.png
:scale: 100%
外轮廓标注完成后，会自动进入关键点标注模式，需要依次点击关键点的位置进行标注。
.. image:: Images/pos_kp.png
:scale: 100%
如果场景内没有物体，请标注为空。
.. image:: Images/pos_null.png
:scale: 100%
定位模型需要有一个 **标准图像** 作为比较的基准，您需要设置一张标准图像，否则数据集无法完成标注。
.. image:: Images/pos_golden_image.png
:scale: 100%
注意事项
------------
1. 标签命名时，使用描述性的标签。使用描述性的标签能够大幅度减小标记错误的概率，同时方便后续模型的实际应用。非描述性的标间因为与被标注物体之间关联性小，容易出现标注错误，同时在使用训练好的模型时，也难以快速分辨模型预测结果是否准确。
2. 定位模型任务中的每一个标间组都包含一个多边形和一个或多个关键点。若标签组中无关键点，可能导致训练任务失败。
3. 对于每个标注的多边形，应至少有2个与该标签相关联的关键点。在选择关键点时，应选择代表对象且易于识别的关键点。例如，几何特征如圆形、角点或对象的中心是很好的选择。一般来说，寻找几何特征、纹理特征或任何其他形状和模式特征。避免使用没有特殊特征的平面点，或者与多边形边界过于接近的特征点。还要避免使用形成直线的关键点，因为这会降低倾斜角度的识别能力。
4. 不要标注关键点被其他对象遮挡的对象，因为在标签-关键点组合中中缺少对应的关键点将导致训练崩溃。
5. 与分割类似，在每个图像中仅标注顶层关键点-标签集，并避免标注被其他对象遮挡的对象。
6. 定位模型必须要有设定的标准图像，否则无法正常训练。
7. 一个定位模型项目只允许存在一个标准图像，设置新的标准图像会覆盖掉原有的标准图像。
.. note::
1. 异常检测 项目在训练时，需要确保分配的训练集中所包含的图片数量小于等于该数据集中全部无损图片的数量，否则可能会导致训练失败。 同时，数据集中所包含的损坏图片的数量过少也会导致训练结果不理想。
2. 异常检测 于其他项目不同，默认不添加任何数据增强选项。
练习
--------
从 `练习数据 `_ 中下载 positioning.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。