大量複雜、亂序的圖檔依次标注效率極低，如果一次可以标注一大片的圖檔将極大地提升标注效率。
自動分組識别并提取圖像特征，通過ModelArts先進的聚類算法可以将所有圖檔分組：将特征相似的圖檔歸為一類，将特征差别大的圖檔群分離。
在花朵識别項目中，需對大量無标注的花朵圖檔進行标注，依次亂序标注蒲公英、郁金香、向日葵等将耗費大量寶貴時間
分組标注場景
啟動自動分組，我們事先知道花朵資料集中存在5個類别，為他們分組6類（聚類算法不能保證一定将5類别完全區分出來，需更細化地分組，于是往往分組數需大于實際類别數）：
過約3分鐘後，通過篩選條件，我們可以得到自動分組的結果，如第1類幾乎都是郁金香的圖檔，第3類幾乎都是蒲公英的圖檔。
第1類
第3類
于是選擇目前頁 -> 輸入蒲公英 ，即可直接對他們一次性進行标注。
當然并不是每個組都是完美的，如一個組中大多都是向日葵，但還夾雜着非洲菊 。此時選擇目前頁後，去掉相應非向日葵圖檔左上角的勾即可：
資料過濾場景
現實中的真實圖像資料量少，往往無法滿足深度學習網絡訓練資料量的要求，于是開發者們一般選擇網絡爬取需要的圖檔，但爬取下來的圖檔風格迥異、噪聲雜多，想要從中提取需要的圖檔工作量是巨大的。
ModelArts提供的自動分組算法除了在分組标注上功能強大，在資料過濾場景上也是奇技淫巧 。
在安全帽項目中，由于實際安全帽圖像過少，從谷歌爬取了大量安全帽相關圖像（約3000張）：
但是這些并不全是我們想要的“安全帽”，我們需要工地為背景，且勞工類型的安全帽。
于是在自動分組中我們對這些圖像細分為10個組（越大的分組數對資料集分組越細，能分離出更多噪聲圖像），以下為部分組的展示：
第0組
第1組
第4組
第9組
顯然類似第1組和第9組的圖檔才是我們需要的結果，第1組和第4組浏覽大緻後可以全部删除，選擇目前頁并删除：
删掉噪聲圖像後，隻剩下約1600張，過濾了快50%的圖像：
當然如果還存在很多噪聲，我們繼續進行分組，對剩下的1640張圖再自動分組10個類
可以看到，依舊有許多與安全帽不相幹的圖像如：
再一次浏覽所有分組，對資料進行清洗，最終隻剩下1008張圖像，過濾了約65%的噪聲圖像，極大地降低了标注的壓力。
點選關注，第一時間了解華為雲新鮮技術~