13.7.3. Etiquetar las imágenes

Un detector de objetos aprende de ejemplos que están etiquetados: cada imagen de entrenamiento necesita un cuadro alrededor de cada objeto objetivo, marcado con su clase. Etiquetar cientos de fotogramas a mano es lento, así que Roboflow lo automatiza.

13.7.3.1. Auto Label

En la página Annotate, Auto Label impulsa un modelo de base guiado por texto: describes cada clase con palabras y este encuentra y enmarca esos objetos en todo el lote. Añade una clase por cada cosa que quieras detectar – stuffed raccoon toy, y person para enseñar al modelo qué ignorar – previsualiza el resultado en unas pocas imágenes de prueba y ajusta el umbral de confianza de cada clase hasta que los cuadros caigan donde deben.

Auto Label encuentra las clases a partir de indicaciones de texto y etiqueta el lote – previsualiza y ajusta los umbrales antes de ejecutarlo sobre todas las imágenes.

Ejecútalo sobre el lote y luego revísalo: examina las imágenes etiquetadas, corrige las pocas que el modelo acertó mal y elimina los cuadros que se inventó. Auto Label hace el grueso del trabajo; la pasada de revisión detecta sus errores.

13.7.3.2. Añadir al conjunto de datos

Las imágenes etiquetadas pasan al conjunto de datos con una división train / valid / test. La división es la forma en que se mide la precisión del modelo: se entrena con las imágenes de entrenamiento, se ajusta frente al conjunto de validación y se evalúa con las imágenes de prueba que nunca vio durante el entrenamiento. La división predeterminada funciona – acéptala y el conjunto de datos estará listo para entrenar.