훈련 데이터 라벨 품질, 학습 전에 잡기

def iou(a, b):  # [x1,y1,x2,y2]
    ix1, iy1 = max(a[0], b[0]), max(a[1], b[1])
    ix2, iy2 = min(a[2], b[2]), min(a[3], b[3])
    inter = max(0, ix2 - ix1) * max(0, iy2 - iy1)
    union = (a[2]-a[0])*(a[3]-a[1]) + (b[2]-b[0])*(b[3]-b[1]) - inter
    return inter / union if union else 0.0

# 두 라벨러가 같은 박스로 본 비율(IoU≥0.5)을 클래스별로 집계 → 낮으면 기준 합의 필요

import fiftyone as fo
import fiftyone.brain as fob

# dataset: 이미지 + ground_truth(사람 라벨) + predictions(모델 또는 2차 라벨)
fob.compute_mistakenness(dataset, "predictions", label_field="ground_truth")
fob.compute_uniqueness(dataset)   # 중복·유사 프레임 탐지

# 의심도 높은 순으로 사람이 검수
suspects = dataset.sort_by("mistakenness", reverse=True).limit(50)

from collections import Counter
counts = Counter(label for s in samples for label in s.labels)   # 클래스별 라벨 수
total = sum(counts.values())
assert total == sum(len(s.labels) for s in samples), "검산 실패: 클래스 합 ≠ 전체 라벨 수"
for cls, n in counts.most_common():
    print(f"{cls:6} {n:6,} ({n/total:5.1%})")   # 너무 적은 클래스는 수집·증강 보강

- [ ] 일치율이 낮은 클래스는 라벨 기준을 다시 합의했습니다.
- [ ] 의심도 상위 프레임을 사람이 직접 검수했습니다.
- [ ] 클래스 합이 전체 라벨 수와 일치합니다(누락 없음).
- [ ] 거의 같은 프레임이 train/val에 동시에 들어가지 않았습니다.
- [ ] 공개·합성 데이터로 작업했고, 실제 CCTV에 사람이 식별되면 비식별했습니다.