13.7.3. Etikettera bilderna

En objektdetektor lär sig från exempel som är etiketterade: varje träningsbild behöver en ruta runt varje målobjekt, märkt med dess klass. Att etikettera hundratals bildrutor för hand är långsamt, så Roboflow automatiserar det.

13.7.3.1. Auto Label

På sidan Annotate driver Auto Label en textstyrd grundmodell: du beskriver varje klass i ord och den hittar och ringar in de objekten över hela satsen. Lägg till en klass per sak du vill detektera – stuffed raccoon toy, och person för att lära modellen vad den ska ignorera – förhandsgranska resultatet på några testbilder, och justera varje klass konfidenströskel tills rutorna hamnar där de ska.

Auto Label hittar klasserna från textprompter och etiketterar satsen – förhandsgranska och finjustera trösklarna innan du kör den på varje bild.

Kör den på satsen, och granska sedan: skanna de etiketterade bilderna, rätta de få modellen fick fel, och radera rutor den hittade på. Auto Label gör grovjobbet; granskningsomgången fångar dess misstag.

13.7.3.2. Lägga till i datamängden

Etiketterade bilder flyttas in i datamängden med en uppdelning i train / valid / test. Uppdelningen är hur modellens noggrannhet mäts: den tränar på träningsbilderna, finjusterar mot valideringsuppsättningen, och poängsätts på testbilderna som den aldrig såg under träningen. Standarduppdelningen fungerar – acceptera den så är datamängden redo att tränas.