Самый быстрый способ размечать датасеты для компьютерного зрения

Да. Ultralytics Platform принимает датасеты, размеченные в форматах YOLO и COCO — двух наиболее широко используемых стандартах аннотирования в компьютерном зрении. Если данные были размечены в другом инструменте, например CVAT или Roboflow, и экспортированы в один из этих форматов, ты можешь загрузить их напрямую и сразу начать обучение.

Модели компьютерного зрения обучаются на размеченных датасетах, устанавливая связь между визуальными закономерностями и метками аннотаций в твоих данных. Качество, размер и сбалансированность обучающих данных напрямую влияют на эффективность обученных моделей. Ultralytics Platform напрямую связывает рабочий процесс аннотирования с облачным обучением, поэтому переключаться между инструментами не нужно.

Ultralytics Platform поддерживает формат YOLO и формат COCO для импорта датасетов, автоматически определяя формат при загрузке. Если ты аннотировал данные в инструменте с открытым исходным кодом, например CVAT, LabelImg или LabelMe, экспортируй метки в формате YOLO или COCO — они будут обработаны автоматически. Аннотации из платформы можно экспортировать в формате Ultralytics NDJSON.

При ручном аннотировании люди-разметчики наносят метки непосредственно на изображения с помощью инструмента аннотирования. Интеллектуальное аннотирование использует алгоритмы AI, например модель «Сегментация всего» (SAM), разработанную Meta модель с открытым исходным кодом, чтобы предварительно размечать изображения при минимальном участии человека. В большинстве промышленных рабочих процессов используются оба подхода: интеллектуальное аннотирование для скорости и ручная проверка для точности.

Аннотирование изображений — это процесс разметки изображений для идентификации содержащихся в них объектов, признаков или областей. Это основополагающий этап обучения моделей компьютерного зрения для таких задач, как обнаружение объектов, сегментация изображений, классификация изображений и оценка позы. Типы аннотаций зависят от сценария использования и включают ограничивающие рамки, полигоны, маски и ключевые точки. Этот процесс выполняется как в инструментах с открытым исходным кодом, так и на специализированных коммерческих платформах.