13.7.3. 为图像打标签

目标检测器从带标签的样本中学习：每张训练图像都需要在每个目标物体周围画一个框，并标注其类别。手工为数百帧打标签很慢，因此 Roboflow 将其自动化。

13.7.3.1. Auto Label

在 Annotate 页面，Auto Label 会驱动一个文本提示驱动的基础模型：你用文字描述每个类别，它便会在整个批次中找出这些物体并加框。为每个你想检测的事物添加一个类别——stuffed raccoon toy，以及 person 以教会模型应忽略什么——在几张测试图像上预览结果，并调整每个类别的置信度阈值，直到框落在应有的位置。

Auto Label 根据文本提示找出类别并为批次打标签——在对每张图像运行之前先预览并调优阈值。

对整个批次运行它，然后进行复核：浏览已打标签的图像，修正模型出错的少数几张，并删除它凭空生成的框。Auto Label 完成大量工作；复核环节则用于发现它的错误。

13.7.3.2. 添加到数据集

已打标签的图像会按 train / valid / test 划分进入数据集。这种划分是衡量模型准确率的方式：模型在训练图像上训练，针对验证集进行调优，并在它训练期间从未见过的测试图像上接受评分。默认划分即可使用——接受它，数据集便已准备好进行训练。