13.7.3. Розмітка зображень

Детектор об’єктів навчається на прикладах із мітками: кожне навчальне зображення потребує рамки навколо кожного цільового об’єкта з позначенням його класу. Розмітка сотень кадрів вручну відбувається повільно, тому Roboflow автоматизує цей процес.

13.7.3.1. Auto Label

На сторінці Annotate, Auto Label керує фундаментальною моделлю з текстовими підказками: ви описуєте кожен клас словами, і вона знаходить та огортає ці об’єкти в рамки по всьому пакету. Додайте клас для кожного об’єкта, який ви хочете виявляти — stuffed raccoon toy і person, щоб навчити модель, що ігнорувати — перегляньте результат на кількох тестових зображеннях і налаштуйте поріг впевненості для кожного класу, поки рамки не потраплять туди, куди треба.

Auto Label знаходить класи за текстовими підказками і розмічає пакет — перегляньте та налаштуйте пороги перед запуском на всіх зображеннях.

Запустіть на пакеті, потім перевірте: проскануйте розмічені зображення, виправте ті кілька, де модель помилилася, і видаліть рамки, які вона вигадала. Auto Label виконує основну роботу; прохід перевірки виловлює її помилки.

13.7.3.2. Додавання до набору даних

Розмічені зображення переміщуються в набір даних із розділенням на train / valid / test. Розділення — це спосіб вимірювання точності моделі: вона навчається на навчальних зображеннях, налаштовується на наборі перевірки та оцінюється на тестових зображеннях, які вона ніколи не бачила під час навчання. Розподіл за замовчуванням підходить — прийміть його, і набір даних готовий до навчання.