Data Labeling
Impara i fondamenti dell'etichettatura dei dati per il machine learning. Scopri tipi chiave come il rilevamento di oggetti e come accelerare i flussi di lavoro usando Ultralytics YOLO26.
L'etichettatura dei dati è il processo fondamentale che consiste nell'identificare dati grezzi—come immagini, fotogrammi video, testo o audio—e nell'aggiungere tag informativi o metadati per fornire contesto. Nel regno del machine learning (ML), gli algoritmi non possono comprendere intrinsecamente il mondo fisico; richiedono un "insegnante" che li guidi. Questa guida si presenta sotto forma di dataset etichettati utilizzati durante l'apprendimento supervisionato. Le etichette fungono da ground truth, rappresentando le risposte corrette che il modello si sforza di prevedere. Che tu stia addestrando un semplice classificatore o un'architettura complessa come Ultralytics YOLO26, l'accuratezza, la coerenza e la qualità di queste etichette sono i principali determinanti del successo di un modello.
Etichettatura dei dati vs. Annotazione dei dati#
Sebbene i termini siano spesso usati in modo intercambiabile nelle conversazioni informali, c'è una sottile distinzione che vale la pena notare. L'"etichettatura dei dati" si riferisce generalmente all'atto ampio di assegnare una categoria o un tag a un pezzo di dati (ad esempio, taggare un'e-mail come "spam"). Al contrario, l'annotazione dei dati è spesso più specifica per la computer vision (CV), comportando la precisa delimitazione degli oggetti tramite bounding box, poligoni o keypoint. Tuttavia, all'interno della maggior parte dei flussi di lavoro di operazioni ML (MLOps), entrambi i termini descrivono la creazione di dati di addestramento di alta qualità.
Tipi principali nella Computer Vision#
Il metodo di etichettatura cambia in base al compito che il modello deve eseguire. I tipi comuni includono:
- Classificazione delle immagini: Assegnazione di un'unica etichetta a un'intera immagine, come l'identificazione di una condizione meteorologica come "nuvoloso" o "soleggiato".
- Rilevamento di oggetti: Disegno di bounding box 2D attorno a oggetti distinti per insegnare al modello cosa sia l'oggetto e dove si trovi.
- Segmentazione di istanze: Creazione di maschere perfette a livello di pixel o poligoni attorno agli oggetti, il che è essenziale per determinare forme e confini precisi.
- Stima della posa: Contrassegnare specifici keypoint su un soggetto, come le articolazioni scheletriche, per analizzare il movimento o la postura.
Applicazioni nel mondo reale#
L'utilità dell'etichettatura dei dati si estende praticamente a ogni settore che impiega l'IA.
-
Veicoli autonomi: Le auto a guida autonoma si affidano a enormi dataset in cui ogni veicolo, pedone, segnale stradale e marcatura di corsia è etichettato meticolosamente. Questi dati etichettati consentono al sistema di percezione di navigare in ambienti complessi in sicurezza. Le aziende di veicoli autonomi investono pesantemente nell'etichettatura a livello di pixel per garantire la conformità alla sicurezza.
-
Agricoltura di precisione: Nell'agricoltura moderna, l'IA in agricoltura viene utilizzata per rilevare le malattie delle colture o monitorare le fasi di crescita. Gli agricoltori utilizzano modelli addestrati su immagini etichettate di foglie "sane" rispetto a foglie "malate" per automatizzare il trattamento, riducendo l'uso di prodotti chimici e aumentando la resa.
Il flusso di lavoro di etichettatura#
La creazione di un dataset etichettato è spesso la parte più lunga di un progetto di IA. Il processo coinvolge tipicamente un approccio "Human-in-the-Loop" (HITL), in cui annotatori umani verificano le etichette per garantire un'elevata accuratezza. I flussi di lavoro moderni sfruttano strumenti come la Ultralytics Platform, che semplifica la gestione dei dataset e consente ai team di collaborare sulle annotazioni. È inoltre possibile impiegare tecniche avanzate come l'apprendimento attivo, in cui un modello pre-etichetta i dati e gli esseri umani correggono solo le predizioni a bassa confidenza, accelerando significativamente il processo.
Il seguente esempio mostra come utilizzare un modello Ultralytics YOLO26 preaddestrato per generare automaticamente etichette (etichettatura automatica) per una nuova immagine, che può poi essere corretta da esseri umani:
from ultralytics import YOLO
# Load the YOLO26n model (nano version)
model = YOLO("yolo26n.pt")
# Run inference on an image to detect objects
results = model("https://ultralytics.com/images/bus.jpg")
# Save the detection results to a text file in standard YOLO format
# This file can now be used as a starting point for data labeling
results[0].save_txt("bus_labels.txt")
