OpenMV MicroPython 13.8.3. 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.
13.8.3.1. 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.
13.8.3.2. 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.