在数字时代，视频内容的海洋为品牌提供了宝贵的机遇。对于品牌而言，了解其在何时何地被提及，意味着能够识别其在市场中的声音份额，向可能高度相关的观众进行市场营销，等等。旧金山的软件工程师查尔斯·赫林注意到了这一点。查尔斯着手构建一个计算机视觉模型，使工具品牌能够识别自己或竞争对手何时获得免费曝光。对于一些公司来说，电动工具代表了数千万的年销售额。增加它们的曝光度、市场份额，并最终从观看自己动手（DIY）YouTube视频的观众中转化，代表着一个有利可图的机会。
查尔斯敏锐地指出，许多YouTube创为一些品牌提供了数小时的免费曝光时间，因为工具在镜头中被积极使用，甚至只是闲置在工作台上。提供对这一未知渠道的洞察，使品牌能够意识到自己的在线存在，同时为YouTube创开辟了赞助机会。在YouTube视频中获得免费曝光的各种工具。查尔斯着手创建一个可以在浏览器中运行的计算机视觉模型，以识别工具及其相应的品牌。最初，查尔斯在Google Cloud Platform的基础设施中管理他所有的源数据和训练。他会上传未标记的图片，标记工具，并使用Google AutoML来训练模型。
然而，查尔斯发现了一些关键问题。首先，很难识别他图片的数据集级别的统计信息。他的类别有多具代表性？他应该合并或删除一些类别标签吗？每个帧中的对象是否分布在图片的不同位置？其次，查尔斯的数据集相当有限，但电动工具视频可能在更广泛的条件下出现工具：钻头在不同角度旋转，不同的照明条件，工具与摄像机的距离不同，等等。
查尔斯发现Roboflow是他计算机视觉训练数据的选择系统。Roboflow Pro支持Google Cloud Vision AutoML格式的CSV和注释，因此上传数据就像放下他的CSV图片进行检查一样简单。查尔斯的训练数据样本。此外，Roboflow的Dataset Health Check使查尔斯能够轻松跟踪他的类别代表性，并且本体管理使他能够轻松合并类别，删除代表性不足的标签等。为了增加数据集的大小，查尔斯利用Roboflow增强功能翻转、调整亮度，并随机改变输出图像以进行训练。训练数据集的大小增加了一倍多，使模型能够学习更广泛的YouTube视频条件。
查尔斯利用Roboflow的Google Cloud AutoML Cloud Vision CSV导出功能，无缝地继续训练。在Roboflow之前，查尔斯看到的Google Cloud Vision mAP是0.817。使用Roboflow之后，查尔斯的mAP提高到了0.885，增长了8%。查尔斯在使用Roboflow前后的AutoML mAP。查尔斯看到了8%的增长。
由于将Roboflow Pro纳入查尔斯的工作流程，他看到了更高质量的模型，并且花在数据集管理上的时间更少，而更多地花在他的领域问题上，包括向大型电动工具零售商销售他的服务。