Nesneleri etiketleme

Doğru ve güvenilir bir modeli eğitmek için, resim ve videolarınızdaki veriler doğru şekilde yapılandırılmalı ve etiketlenmelidir.

Genel Bakış

Resimlerinize ve videolarınıza ilgi alanlarına ilişkin nesneleri ya da alanları çerçevelemek için çizim araçlarını kullanın. Belirtilen verilere, ilgili ve bilgilendirici etiketlerle ek açıklama ekleyin. Bir model, ek açıklamalı nesnelerin ya da ilgi alanlarının ayırt edici olduğunu öğrenir ve bir inceleme sırasında bunları tanır. Çeşitli ayrıntılı bilgi sonuçları ile veri kümeleri güvenilir ve doğru modellerle sonuçlanir.  

Etiket adları

Geçersiz bir ad hatasından kaçınmak için etiket adları, sınıf adları ve kaynak adları oluştururken aşağıdaki yönergeleri kullanın:

Etiket ve sınıf adları

  • Yalnızca ASCII karakterler
  • 64 karakter ya da daha az

Kaynak adları

Aşağıdakiler de içinde olmak üzere tüm kaynak adları için yalnızca ASCII karakterleri kullanın:

  • Veri kümeleri
  • Modeller
  • Proje grupları
  • Kategoriler
  • Nesne etiketleri
  • İşlem etiketleri
  • Veri kümeleri
  • Modeller
  • Proje grupları
  • Kategoriler
  • Nesne etiketleri
  • İşlem etiketleri

Etiket adlarının düzenlenmesi

Bir nesne etiketi adını düzenlediğinizde, önceki adı kullanan tüm veri kümeleri yeni adı kullanmak üzere güncelleştirilir. Ancak, sınıflandırmak ya da etiket resimlerini sınıflandırmak için eski nesne etiketi adlarını kullanan eğitimli modeller güncellenmez. Yeni etiket adlarını kullanmak için, yeni bir model eğitmeniz gerekir.

Bir kategoriyi "Sınıflandırılmamış" olarak yeniden adlandıramazsınız. Bir kategoriyi görüntüden kaldırmak istiyorsanız, resmin kategorilere ayrılmamış olması, süzgeç çubuğunun Kategoriler kısmında, resmin kategorisini silmeniz gerekir.

Not: Bir kategoriyi yalnızca resimlere atayabilirsiniz. Video seçilmediğinden emin olun.

Nesne algılama modelleri için veri kümeleri

Bir nesne algılaması modeli eğitimi almak için bir veri kümesi hazırlarken aşağıdaki gereksinimlerin karşılandığından emin olun:

  • Veri kümesinde en az beş görüntü var.
  • Tanımlı her nesnenin bir nesne etiketi vardır. Nesne etiketi olmayan resimler, modeli eğitmek için kullanılmaz.
Not: Gereksinimlerin karşılanmaması durumunda, model bu nesne tipini tanımak için eğitilemez.

Otomobilleri tanımak için bir nesne algılama modeli eğitimi alıyorsanız ve veri kümesi aşağıdaki parametreleri içerir:

  • Beş görüntü: En az beş görüntü içinde bir arabayı nesne olarak tanımladığınızdan ve etiketlediğinizden emin olun.
  • Üç resim ve bir video: Bir arabayı üç görüntüdeki bir nesne olarak tanımladığınızdan ve etiketlediğinizden emin olun ve videonun en az iki çerçevesiye girin. Bir resimde 5 arabanın etiketlenmesi yeterli değildir.
Not: Etiketli nesnelerin farklı bir gösterimi olan bir veri kümesi, daha doğru eğitimli bir model üretir. Tam sayı ve nesne sayısı belirtilemez, ancak bu sayı her sınıf için 1.000 temsilci görüntüsü kadar yüksek olur. Ancak, bir modeli tatmin edici bir doğrulukla eğitmek için bu kadar büyük bir veri kümesine gereksinim duyabilirsiniz.

Veri kümenizde birçok görüntü yoksa ya da eğitim için yeterli çeşitlilikse, veri kümesini artırmak için Augmentation özelliğini kullanın.

Anomali için optimize edilmiş modeller için veri kümeleri

Anomali için optimize edilmiş model eğitimi için bir veri kümesi hazırlarken, aşağıdaki gereksinimlerin karşılandığından emin olun:

  • Veri kümeleri herhangi bir olağandışı nesne içermiyor. Bir veri kümesinde olağandışı bir nesne de dahil olmak üzere, modelin olağandışı nesneleri saptama yeteneğini azaltır.
  • Tüm görüntüler yüksek çözünürlüğe sahip olup benzer koşullarda ele alınmakta. Örneğin, aydınlatma düzeyi ya da bir nesnenin kameradan uzaklığı, veri kümesindeki tüm resimler için benzerdir.

Eğitim veri kümesindeki nesne sınıflarının sayısı artışınca doğruluk azalabilir.