数据集版本
随着多模态数据变化创建受控的数据集版本。跟踪变更、保留数据集血缘，并确保每个版本可审计且可用于生产。
数据集整理与质量控制
在标注前整理聚焦且可靠的训练数据集。
探索多模态数据，查找相关样本并检查嵌入。删除重复项和异常值，平衡数据覆盖范围，并保存用于标注和模型训练的版本化子集。
.webp)
语义搜索
按含义和相似度搜索图像、视频、音频、文档、文本、医疗及其他多模态数据。无需只依赖元数据即可找到相关样本和稀有案例。
嵌入视图
可视化多模态数据集结构，在标注或模型训练前识别异常值、近重复项、标注问题和覆盖缺口。
重复与近重复检测
在标注前查找重复帧和视觉上相似的样本。保留最具代表性的样本，减少冗余工作，避免团队重复标注相同内容。
元数据筛选器与保存视图
将来源、环境、质量、标注状态和模型信号组合成可重复使用的数据集视图。保存用于分配、审核、导出和可复现实验的聚焦子集。
数据集平衡
衡量类别、条件和场景覆盖范围，构建有代表性的子集，在保留稀有和安全关键案例的同时减少占比过高的样本。
异常与质量检测
在标注前发现模糊、曝光不足、损坏和域偏移样本。审核真实异常，删除不可用数据，并保留有价值的边缘案例。
AI 团队为何选择 Unitlab 进行数据整理
无需将整理工作与标注和质量审核分离，即可把原始多模态数据转化为聚焦、版本化且可用于训练的数据集。
15 倍
更快准备数据集
90%
减少人工数据审核
10 倍
降低数据整理成本
.webp)
What is data curation for machine learning?+
数据整理是选择、清理、组织、丰富和版本化原始数据，使其可用于模型训练和评估的过程。Unitlab 将这些决策与标注、审核和数据集发布保持连接。
数据集管理文档How does semantic search help teams find useful data?+
即使文件名和元数据不完整，语义搜索也能根据内容含义和相似度找到相关样本。团队无需逐项检查即可发现稀有案例、代表性示例和相关媒体。
数据探索文档Can Unitlab identify outliers and duplicate samples?+
可以。嵌入和相似度视图帮助团队检查数据集结构、隔离异常值，并对重复或近重复样本进行分组。整理人员可以保留代表性项目，并在训练前减少冗余标注。
数据集整理文档How do dataset versions and lineage work?+
当数据被筛选、标注、审核或发布时，团队可以创建受控版本。版本历史和数据血缘会保留哪些样本发生了变化、为何创建子集，以及哪个数据集支持了模型或评估运行。
数据集版本文档Can curated data move directly into annotation workflows?+
可以。所选样本无需导出到其他工具，即可从数据整理进入模型辅助标注、人工审核、返工、批准和发布流程，并保持任务、问题和质量决策可追踪。
标注工作流文档Which data modalities can Unitlab curate?
Unitlab 支持图像、视频、音频、文本、文档、医学影像、地理空间和病理数据。团队可以跨模态使用一致的数据集、本体、工作流和审核控制。
多模态数据文档Can teams connect their own models to curation workflows?
可以。团队可以连接自定义模型来生成预测、嵌入、预标注和质量信号。在整理后的数据获批或发布前，人工审核仍保留在受控工作流中。
模型集成文档
