13.7.3. Etiquetar as imagens

Um detetor de objetos aprende a partir de exemplos etiquetados: cada imagem de treino precisa de uma caixa em torno de cada objeto alvo, marcada com a sua classe. Etiquetar centenas de fotogramas manualmente é moroso, pelo que o Roboflow automatiza o processo.

13.7.3.1. Etiquetagem Automática

Na página Annotate, o Auto Label utiliza um modelo de fundação orientado por texto: descreve cada classe em palavras e ele encontra e delimita esses objetos em todo o lote. Adicione uma classe por objeto que pretende detetar – stuffed raccoon toy e person para ensinar o modelo o que ignorar – pré-visualize o resultado em algumas imagens de teste e ajuste o limiar de confiança de cada classe até as caixas ficarem onde devem.

O Auto Label encontra as classes a partir de prompts de texto e etiqueta o lote – pré-visualize e ajuste os limiares antes de o executar em todas as imagens.

Execute-o no lote e depois reveja: percorra as imagens etiquetadas, corrija as poucas em que o modelo errou, e elimine as caixas que inventou. O Auto Label faz o trabalho em massa; a revisão apanha os seus erros.

13.7.3.2. Adicionar ao conjunto de dados

As imagens etiquetadas passam para o conjunto de dados com uma divisão train / valid / test. A divisão é a forma como a precisão do modelo é medida: treina nas imagens de treino, afina em relação ao conjunto de validação e é pontuado nas imagens de teste que nunca viu durante o treino. A divisão predefinida funciona – aceite-a e o conjunto de dados está pronto para treinar.