Etichettatura dei dati

L'etichettatura dei dati è il processo fondamentale di etichettatura o annotazione dei dati grezzi con un contesto significativo, per creare un set di dati adatto all'addestramento. adatto all'addestramento modelli di apprendimento automatico (ML). Nel contesto dell'apprendimento apprendimento supervisionato, gli algoritmi richiedono esempi che includano sia i dati di input (come un'immagine) sia l'output previsto (l'etichetta). Queste informazioni etichettate informazioni etichettate servono come verità di base, agendo come standard standard definitivo rispetto al quale le previsioni del modello vengono misurate e migliorate. Senza un'etichettatura di alta qualità, anche le architetture più sofisticate, come Ultralytics YOLO11non possono imparare a riconoscere con precisione modelli o identificare gli oggetti.

L'importanza di un'etichettatura accurata

Le prestazioni di qualsiasi sistema di intelligenza artificiale sono indissolubilmente legate alla qualità dei dati di dati di addestramento. Se le etichette sono incoerenti, imprecise o errate, il modello apprenderà associazioni errate, un problema ampiamente noto in informatica come "garbage in, garbage out". "Garbage in, garbage out". Un'etichettatura precisa consente ai modelli di generalizzare bene a nuovi dati non visti, il che è fondamentale per l'implementazione di modelli robusti. cruciale per l'implementazione di robuste applicazioni di applicazioni di computer vision (CV) robuste. I principali di riferimento come il set di dati COCO e ImageNet sono diventati standard di settore proprio proprio per la loro ampia e accurata etichettatura.

Tipi comuni di etichettatura nella visione artificiale

Il metodo specifico di etichettatura dei dati dipende in larga misura dall'attività di computer vision che si intende svolgere:

• Classificazione delle immagini: Assegnazione di una singola categoria o classe di tag a un'intera immagine (ad esempio, etichettando una foto come "soleggiata" o "piovosa"). "piovoso").
• Rilevamento degli oggetti: Disegno di caselle di delimitazione 2D intorno agli oggetti di interesse e assegnare una classe a ogni assegnare una classe a ciascuna casella. In questo modo si insegna al modello che cos'è l'oggetto e dove si trova.
• Segmentazione delle immagini: Creazione di maschere perfette al pixel. La segmentazione semantica etichetta le regioni per categoria (ad esempio, tutti i pixel "stradali"), mentre la segmentazione di istanza distingue tra singoli oggetti della stessa classe (ad esempio, "auto 1", "auto 2").
• Stima della posa: Annotazione di punti chiave specifici di un soggetto, come le articolazioni di un corpo umano (skeletal tracking), per capire il movimento e la postura. un corpo umano (tracciamento dello scheletro), per comprendere il movimento e la postura.

Applicazioni nel mondo reale

L'etichettatura dei dati consente all'IA di funzionare in ambienti complessi e reali. Due esempi importanti sono:

1. Veicoli autonomi: Perché un'auto a guida autonoma possa per navigare in sicurezza, si basa su dati di addestramento in cui gli esseri umani hanno etichettato meticolosamente le linee di corsia, i segnali stradali, i pedoni e gli altri veicoli, segnali stradali, pedoni e altri veicoli. Questo permette al sistema di percezione dell'auto di interpretare la geometria della strada e i potenziali pericoli. geometria della strada e i potenziali pericoli. Potete approfondire l'argomento nelle nostre soluzioni AI nel settore automobilistico.
2. Analisi delle immagini mediche: Nel settore sanitario, i radiologi etichettano le scansioni mediche per identificare le anomalie. Ad esempio, su un tumori cerebrali, gli esperti potrebbero delineare i confini esatti di una lesione. Questi dati etichettati addestrano i modelli per assistere i medici nella diagnosi precoce, migliorando i risultati per i pazienti. i risultati dei pazienti. Per saperne di più AI nell'assistenza sanitaria per vedere questi modelli in azione.

Etichettatura dei dati vs. Concetti correlati

È utile distinguere l'etichettatura da termini simili utilizzati nella pipeline di preparazione dei dati:

• Vs. Annotazione dei dati: Questi termini sono spesso usati in modo intercambiabile. Tuttavia, il termine "etichettatura" è talvolta riservato a operazioni più semplici come la classificazione (tagging), mentre "annotazione" implica metadati più ricchi, come il disegno di poligoni o il tracciamento di punti chiave. punti chiave.
• Vs. Aumento dei dati: L'etichettatura crea il set di dati iniziale. L'incremento avviene in seguito, quando il software modifica matematicamente le immagini etichettate (ruotando, capovolgendo, aggiungendo rumore) immagini etichettate (ruotandole, capovolgendole, aggiungendo rumore) per aumentare artificialmente la diversità del set di dati, senza richiedere l'intervento manuale dell'uomo. manuale dell'uomo.
• Vs. Pulizia dei dati: Si tratta di correggere gli errori la correzione degli errori nel set di dati, come la rimozione di file corrotti o la correzione di elementi etichettati in modo errato. La pulizia garantisce l'integrità integrità delle etichette fornite dagli annotatori.

Strumenti ed esempi di codice

Sebbene l'etichettatura manuale richieda molto tempo, i moderni flussi di lavoro spesso utilizzano software specializzati come il CVAT (Computer Vision Annotation Tool) o sfruttano l'apprendimento apprendimento attivo per accelerare il processo. L'imminente piattaformaUltralytics è stata progettata per semplificare l'intero ciclo di vita, dall'approvvigionamento dei dati all'annotazione automatica.

Il seguente snippet Python mostra come addestrare un modello YOLO11 utilizzando un set di dati pre-etichettati (coco8.yaml). Il processo di addestramento si basa interamente sull'esistenza di etichette accurate definite nel file di configurazione del dataset. file di configurazione del dataset.

from ultralytics import YOLO

# Load the YOLO11 model (nano version)
model = YOLO("yolo11n.pt")

# Train the model on the COCO8 dataset
# The dataset YAML file contains paths to images and their corresponding labels
results = model.train(data="coco8.yaml", epochs=5, imgsz=640)

# The model updates its weights based on the labeled data provided