13.8.3. De afbeeldingen labelen

Een objectdetector leert van voorbeelden die gelabeld zijn: elke trainingsafbeelding heeft een vak nodig rond elk doelobject, voorzien van zijn klasse. Honderden frames met de hand labelen is traag, dus Roboflow automatiseert het.

13.8.3.1. Auto Label

Op de pagina Annotate stuurt Auto Label een tekst-geprompt foundation-model aan: je beschrijft elke klasse in woorden en het vindt en omkadert die objecten in de hele batch. Voeg een klasse toe per ding dat je wilt detecteren – stuffed raccoon toy, en person om het model te leren wat het moet negeren – bekijk het resultaat op een paar testafbeeldingen, en pas de drempelwaarde van het vertrouwen per klasse aan totdat de vakken op de juiste plek landen.

Auto Label vindt de klassen op basis van tekstprompts en labelt de batch – bekijk het voorbeeld en stem de drempelwaarden af voordat je het op elke afbeelding uitvoert.

Voer het uit op de batch en controleer vervolgens: scan de gelabelde afbeeldingen, corrigeer de paar die het model verkeerd had, en verwijder vakken die het verzonnen heeft. Auto Label doet het meeste werk; de controleronde vangt de fouten op.

13.8.3.2. Toevoegen aan de dataset

Gelabelde afbeeldingen gaan naar de dataset met een train / valid / test-splitsing. De splitsing is hoe de nauwkeurigheid van het model wordt gemeten: het traint op de trainingsafbeeldingen, stemt af op de validatieset, en wordt beoordeeld op de testafbeeldingen die het tijdens de training nooit heeft gezien. De standaardsplitsing werkt – accepteer deze en de dataset is klaar om te trainen.