Veri Etiketleme

Veri ek açıklaması, ham verilerin etiketlenmesi, etiketlenmesi veya yazıya dökülmesi işlemidir. makine öğrenimi (ML) modeli anlayabilir. Bu adım, aşağıdakiler için temeldir algoritmaların aşağıdakilere dayandığı denetimli öğrenme kalıpları öğrenmek ve tahminlerde bulunmak için etiketlenmiş örnekler. Ek açıklamalı veriler "doğru" cevabı temsil eden temel gerçek Modelin eğitim sırasında kopyalamaya çalıştığı. Doğru açıklama olmadan, sofistike mimariler bile gibi Ultralytics YOLO11 etkin bir şekilde işleyemez, çünkü Modelin performansı özünde modelin kalitesine bağlıdır. eğitim verileri.

Bilgisayarlı Görüde Etiketlemenin Rolü

Bilgisayarla görme (CV) alanında, veri ek açıklama, görüntü veya video karelerindeki belirli özelliklerin işaretlenmesini içerir. Farklı görevler farklı özellikler gerektirir. ek açıklama stilleri, her biri sisteme benzersiz bir ayrıntı düzeyi sağlar.

• Nesne Algılama: Açıklayıcılar İlgilenilen nesnelerin etrafına 2B sınırlayıcı kutular çizin, arabalar veya yayalar gibi. Bu, modele bir nesnenin ne olduğunu ve nerede bulunduğunu öğretir.
• Örnek Segmentasyonu: Bu teknik, nesnelerin etrafındaki hassas çokgenlerin izlenmesini gerektirir. Sınırlayıcı kutuların aksine, segmentasyon tam olarak gibi uygulamalar için çok önemli olan bir varlığın şekli ve konturu robotik kavrama.
• Poz Tahmini: Açıklayıcılar belirli Bir insan vücudunun eklemleri (dirsekler, dizler, omuzlar) gibi bir konu üzerindeki "kilit noktalar". Bu sayede hareket ve duruşu track için modeller.
• Yönlendirilmiş Sınırlayıcı Kutular (OBB): Şunlar için kullanılır Uydu görüntülerindeki gemiler veya bir taşıma bandındaki paketler gibi görüntü ekseniyle hizalanmamış nesneler. Bu kutular nesnenin yönüne uyacak şekilde dönebilir.
• Görüntü Sınıflandırması: Bu tek bir etiketin (örn. "güneşli", "yağmurlu") atandığı en basit ek açıklama biçimidir. tüm görüntü.

Ek açıklamalar genellikle JSON gibi yapılandırılmış formatlarda kaydedilir, XML veya basit metin dosyaları (örn. YOLO formatı), daha sonra eğitim yazılımı.

Gerçek Dünya Uygulamaları

Veri açıklaması, ham sensörler ile akıllı sensörler arasında köprü kurarak sayısız modern teknolojiye güç sağlar. karar verme.

1. Otonom Araçlar: Sürücüsüz araçlar, her şerit işaretinin, trafik işaretinin ve engelin açıklandığı devasa veri kümelerine bağlıdır. Veri kameralar ve LiDAR sensörlerinden gelen veriler, aracın güvenli bir şekilde seyretmek için algı sistemi. Bu detay seviyesi, sağlam bir navigasyon sistemi geliştirmek için kritik öneme sahiptir. Otomotiv çözümlerinde yapay zeka.
2. Tıbbi Teşhis: İçinde Sağlık hizmetlerinde yapay zeka, radyologlar açıklama yapıyor MRI taramaları veya Tümörleri ve kırıkları vurgulamak için röntgenler. Bu açıklamalı tıbbi görüntüler, modellerin işaretleme yaparak doktorlara yardımcı olmasını sağlar yüksek hassasiyetle potansiyel anomaliler.
3. Akıllı Perakendecilik: Otomatik ödeme sistemleri, ürünleri tanımak için ek açıklama kullanır. Etiketleme ile binlerce market ürünü için, sistemler sorunsuz alışveriş deneyimlerini kolaylaştırabilir. Daha fazlasını görün Perakendede yapay zeka.

İlgili Kavramlarla Karşılaştırma

Veri açıklamasını, veri hazırlama iş akışında sıklıkla kullanılan diğer terimlerden ayırmak faydalı olacaktır.

• Ek Açıklama ve Veri Etiketleme: Bu terimler genellikle birbirlerinin yerine kullanılmaktadır. Bununla birlikte, "etiketleme" sıklıkla basit etiketleme ile ilişkilendirilir. sınıflandırma görevleri (bir kategori atama), "açıklama" ise genellikle daha karmaşık meta veri anlamına gelir geometri (çokgenler, kutular) çizmek veya videoda zaman damgalarını işaretlemek gibi.
• Ek Açıklama ve Veri Artırma: Ek açıklama, bir veri kümesi için ilk etiketleri oluşturur. Veri artırımı, yapay olarak mevcut açıklamalı görüntüleri değiştirerek (örneğin, çevirme, döndürme veya parlaklığı değiştirme) bu veri kümesini genişletir model sağlamlığını artırmak için.
• Açıklama ve Aktif Öğrenme: Aktif öğrenme, modelin hangi veri noktaları hakkında en çok kafasının karıştığını belirlediği ve Sadece bu belirli örnekler için insan açıklaması, açıklama bütçesini optimize eder.

Araçlar ve İş Akışı

Yüksek kaliteli ek açıklamalar oluşturmak genellikle özel araçlar gerektirir. Aşağıdaki gibi açık kaynak seçenekleri CVAT (Computer Vision Annotation Tool) ve Label Studio, kutu ve çokgen çizmek için arayüzler sağlar. Büyük ölçekli için operasyonlarını kolaylaştıran Ultralytics Platformu gibi entegre ortamlara geçebilir. veri kaynağından model dağıtımına kadar yaşam döngüsü.

Verilere açıklama eklendikten sonra, bir modeli eğitmek için kullanılabilir. Aşağıdaki örnekte bir YOLO11 modelinin nasıl eğitileceği gösterilmektedir açıklamalı görüntülere ve etiketlere işaret eden bir YAML dosyasında tanımlanan bir veri kümesi kullanan model.

from ultralytics import YOLO

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

# Train on the COCO8 dataset, which contains pre-annotated images
# The 'data' argument references a YAML file defining dataset paths and classes
results = model.train(data="coco8.yaml", epochs=5, imgsz=640)