Etiquetado activo asistido por modelo para visión embarcada en AR/VR

Recibes un pool de 8.000 frames sin etiquetar de una sesión de mantenimiento real (anonimizada) y 500 frames etiquetados como semilla. Entrena un modelo base de detección 3D ligero (por ejemplo, una variante MobileNet de pose más detección de objetos), exponlo como servicio que produce predicciones más incertidumbre por frame. Implementa una estrategia de Active Learning que escoja los siguientes 100 frames a etiquetar (por ejemplo, entropía máxima de predicción o query-by-committee), permita a la persona anotadora corregir las predicciones en una interfaz web (pre-rellenada con las cajas del modelo) y reentrene el modelo cada 100 etiquetas. Mide: tiempo medio por frame, mAP (mean Average Precision — precisión media) sobre una partición de validación reservada tras 0, 100, 300, 500, 1.000 etiquetas activas, y compáralo contra una base de etiquetado aleatorio. Éxito: alcanzar mAP de 0,70 con menos de 1.000 frames etiquetados activamente, frente a más de 2.500 con muestreo aleatorio.