13.7.3. Étiqueter les images

Un détecteur d’objets apprend à partir d’exemples étiquetés : chaque image d’entraînement nécessite une boîte autour de chaque objet cible, marquée de sa classe. Étiqueter des centaines de trames à la main est lent, c’est pourquoi Roboflow l’automatise.

13.7.3.1. Auto Label

Sur la page Annotate, Auto Label pilote un modèle de fondation guidé par texte : vous décrivez chaque classe avec des mots et il trouve et encadre ces objets sur l’ensemble du lot. Ajoutez une classe par élément que vous voulez détecter – stuffed raccoon toy, et person pour apprendre au modèle ce qu’il doit ignorer – prévisualisez le résultat sur quelques images de test, et ajustez le seuil de confiance de chaque classe jusqu’à ce que les boîtes se placent là où elles le doivent.

Auto Label trouve les classes à partir des invites textuelles et étiquette le lot – prévisualisez et ajustez les seuils avant de l’exécuter sur chaque image.

Exécutez-le sur le lot, puis vérifiez : parcourez les images étiquetées, corrigez les quelques erreurs du modèle et supprimez les boîtes qu’il a inventées. Auto Label effectue le gros du travail ; la passe de vérification rattrape ses erreurs.

13.7.3.2. Ajouter au jeu de données

Les images étiquetées rejoignent le jeu de données avec une répartition train / valid / test. Cette répartition est le moyen de mesurer la précision du modèle : il s’entraîne sur les images d’entraînement, s’ajuste sur l’ensemble de validation, et est évalué sur les images de test qu’il n’a jamais vues pendant l’entraînement. La répartition par défaut convient – acceptez-la et le jeu de données est prêt à être entraîné.