13.8.3. Die Bilder beschriften

Ein Objektdetektor lernt aus Beispielen, die beschriftet sind: Jedes Trainingsbild benötigt einen Rahmen um jedes Zielobjekt, gekennzeichnet mit seiner Klasse. Hunderte von Einzelbildern von Hand zu beschriften ist langsam, daher automatisiert Roboflow dies.

13.8.3.1. Auto Label

Auf der Seite Annotate steuert Auto Label ein textgestütztes Foundation-Modell: Sie beschreiben jede Klasse in Worten, und es findet und umrahmt diese Objekte über die gesamte Charge. Fügen Sie eine Klasse pro Ding hinzu, das Sie erkennen möchten – stuffed raccoon toy sowie person, um dem Modell beizubringen, was es ignorieren soll – sehen Sie sich das Ergebnis an einigen Testbildern in der Vorschau an und passen Sie den Konfidenz-Schwellenwert jeder Klasse an, bis die Rahmen dort landen, wo sie sollen.

Auto Label findet die Klassen aus Text-Prompts und beschriftet die Charge – sehen Sie sich die Vorschau an und stimmen Sie die Schwellenwerte ab, bevor Sie es auf jedes Bild anwenden.

Wenden Sie es auf die Charge an und überprüfen Sie dann: Sehen Sie die beschrifteten Bilder durch, korrigieren Sie die wenigen, die das Modell falsch erkannt hat, und löschen Sie Rahmen, die es erfunden hat. Auto Label erledigt die Hauptarbeit; der Überprüfungsdurchlauf fängt seine Fehler ab.

13.8.3.2. Zum Datensatz hinzufügen

Beschriftete Bilder wandern mit einer Aufteilung in train / valid / test in den Datensatz. Die Aufteilung ist die Art und Weise, wie die Genauigkeit des Modells gemessen wird: Es trainiert mit den Trainingsbildern, stimmt sich anhand des Validierungssatzes ab und wird anhand der Testbilder bewertet, die es während des Trainings nie gesehen hat. Die Standardaufteilung funktioniert – akzeptieren Sie sie, und der Datensatz ist bereit zum Trainieren.