Veri Etiketleme

Veri etiketleme, bir veri kümesi oluşturmak için ham verileri anlamlı bir bağlamla etiketleme veya açıklama ekleme temel sürecidir eğitim için uygun makine öğrenimi (ML) modelleri. Bu bağlamda denetimli öğrenme, algoritmalar şunları gerektirir Hem girdi verilerini (görüntü gibi) hem de beklenen çıktıyı (etiket) içeren örnekler. Bu etiketli bilgi, temel gerçek olarak hizmet eder ve Modelin tahminlerinin ölçüldüğü ve geliştirildiği kesin standart. Yüksek kaliteli etiketleme olmadan, gibi en sofistike mimariler bile Ultralytics YOLO11, doğru bir şekilde tanımayı öğrenemez örüntüler veya nesneleri tanımlama.

Doğru Etiketlemenin Önemi

Herhangi bir yapay zeka sisteminin performansı, ayrılmaz bir şekilde sistemin kalitesiyle bağlantılıdır. eğitim verileri. Etiketler tutarsızsa, Kesin olmayan veya yanlış, model hatalı ilişkilendirmeler öğrenecektir - bilgisayar biliminde yaygın olarak bilinen bir sorun "Çöp girer, çöp çıkar." Hassas etiketleme, modellerin yeni, görülmemiş verilere iyi genelleme yapmasını sağlar. sağlam dağıtım için çok önemlidir bilgisayarla görme (CV) uygulamaları. Binbaşı gibi kıyaslama veri setleri COCO veri seti ve ImageNet tam olarak endüstri standartları haline geldi kapsamlı ve dikkatli etiketlemeleri nedeniyle.

Bilgisayarlı Görüde Yaygın Etiketleme Türleri

Özel veri etiketleme yöntemi büyük ölçüde amaçlanan bilgisayarla görme görevine bağlıdır:

• Görüntü Sınıflandırma: Bir görüntünün tamamına tek bir kategori veya sınıf etiketi atamak (örneğin, bir fotoğrafı "güneşli" veya "yağmurlu").
• Nesne Algılama: 2D Çizim ilgilenilen nesnelerin etrafındaki sınırlayıcı kutular ve Her kutuya bir sınıf atamak. Bu, modele nesnenin ne olduğunu ve nerede bulunduğunu öğretir.
• Görüntü Segmentasyonu: Oluşturma piksel-mükemmel maskeler. Semantik segmentasyon bölgeleri şu şekilde etiketler kategorisinde (örneğin, tüm "yol" pikselleri) yer alırken örnek segmentasyonu aşağıdakiler arasında ayrım yapar aynı sınıftan ayrı ayrı nesneler (örneğin, "araba 1," "araba 2").
• Poz Tahmini: Açıklama ekleme üzerindeki eklemler gibi bir konudaki belirli kilit noktalar hareketi ve duruşu anlamak için bir insan vücudu (iskelet takibi).

Gerçek Dünya Uygulamaları

Veri etiketleme, yapay zekanın karmaşık, gerçek dünya ortamlarında çalışmasını sağlar. Öne çıkan iki örnek şunlardır:

1. Otonom Araçlar: için sürücüsüz otomobilin güvenli bir şekilde yol alması için, insanların şerit çizgilerini titizlikle etiketlediği eğitim verilerine dayanır, trafik işaretleri, yayalar ve diğer araçlar. Bu, aracın algılama sisteminin yolu yorumlamasını sağlar geometrisi ve potansiyel tehlikeleri anında görebilirsiniz. Bunu daha fazla keşfetmek için Otomotiv çözümlerinde yapay zeka.
2. Tıbbi Görüntü Analizi: Sağlık hizmetlerinde, radyologlar anormallikleri tanımlamak için tıbbi taramaları etiketler. Örneğin, bir beyin tümörü veri seti, uzmanlar ana hatlarıyla bir lezyonun kesin sınırlarını belirler. Bu etiketli veriler, doktorlara erken teşhiste yardımcı olmak için modelleri eğiterek hasta sonuçları. Hakkında daha fazlasını okuyun Bu modelleri çalışırken görmek için Sağlık Hizmetlerinde Yapay Zeka.

Veri Etiketleme ve İlgili Kavramlar

Etiketlemeyi veri hazırlama hattında kullanılan benzer terimlerden ayırmak faydalı olacaktır:

• Vs. Veri Açıklaması: Bu terimler genellikle birbirinin yerine kullanılır. Bununla birlikte, "etiketleme" bazen aşağıdaki gibi daha basit görevler için ayrılmıştır sınıflandırma (etiketleme), "açıklama" ise çokgen çizme veya çizim yapma gibi daha zengin meta veriler anlamına gelir anahtar noktalar.
• Vs. Veri Büyütme: Etiketleme ilk veri kümesini oluşturur. Daha sonra yazılımın matematiksel olarak değiştirdiği büyütme işlemi gerçekleşir. etiketli görüntüleri (döndürme, çevirme, gürültü ekleme) manuel olarak kullanmadan veri kümesi çeşitliliğini yapay olarak artırmak için insan çabası.
• Vs. Veri Temizleme: Bu şunları içerir Bozuk dosyaların kaldırılması veya yanlış etiketlenmiş öğelerin düzeltilmesi gibi veri kümesindeki hataların düzeltilmesi. Temizlik şunları sağlar Açıklayıcılar tarafından sağlanan etiketlerin bütünlüğü.

Araçlar ve Kod Örneği

Manuel etiketleme zaman alıcı olsa da, modern iş akışlarında genellikle aşağıdaki gibi özel yazılımlar kullanılır CVAT (Computer Vision Annotation Tool) veya kaldıraç süreci hızlandırmak için aktif öğrenme. Bu Yaklaşan Ultralytics Platformu tüm bu süreci kolaylaştırmak için tasarlanmıştır. yaşam döngüsü, veri kaynağından otomatik notlandırmaya kadar.

Aşağıdaki Python kod parçacığı, önceden etiketlenmiş bir veri kümesi kullanarak bir YOLO11 modelinin nasıl eğitileceğini göstermektedir (coco8.yaml). Eğitim süreci tamamen, eğitim programında tanımlanan doğru etiketlerin varlığına dayanır. veri kümesi yapılandırma dosyası.

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