13.7.3. Etichettatura delle immagini

Un object detector impara da esempi etichettati: ogni immagine di addestramento necessita di un box attorno a ogni oggetto target, contrassegnato con la sua classe. Etichettare centinaia di frame a mano è lento, perciò Roboflow lo automatizza.

13.7.3.1. Auto Label

Nella pagina Annotate, Auto Label guida un foundation model basato su prompt testuali: descrivi a parole ogni classe e questo trova e racchiude in box quegli oggetti su tutto il batch. Aggiungi una classe per ogni cosa che vuoi rilevare – stuffed raccoon toy, e person per insegnare al modello cosa ignorare – visualizza l’anteprima del risultato su alcune immagini di test e regola la soglia di confidenza di ciascuna classe finché i box non finiscono dove dovrebbero.

Auto Label trova le classi dai prompt testuali ed etichetta il batch – visualizza l’anteprima e regola le soglie prima di eseguirlo su tutte le immagini.

Eseguilo sul batch, poi rivedi: scorri le immagini etichettate, correggi le poche che il modello ha sbagliato ed elimina i box che ha inventato. Auto Label svolge il grosso del lavoro; il passaggio di revisione ne intercetta gli errori.

13.7.3.2. Aggiunta al dataset

Le immagini etichettate confluiscono nel dataset con una suddivisione train / valid / test. La suddivisione è il modo in cui si misura l’accuratezza del modello: questo si addestra sulle immagini di training, si ottimizza rispetto al set di validation e viene valutato sulle immagini di test che non ha mai visto durante l’addestramento. La suddivisione predefinita va bene – accettala e il dataset è pronto per l’addestramento.