Tìm hiểu tất cả những gì bạn cần biết về chú thích hình ảnh với Ultralytics Nền tảng này bao gồm các công cụ tích hợp sẵn để gắn nhãn tập dữ liệu, quản lý chú thích và chuẩn bị dữ liệu cho các mô hình.
Ultralytics Mới đây, họ đã giới thiệu Nền tảng Ultralytics , một môi trường được xây dựng để hỗ trợ toàn bộ vòng đời phát triển thị giác máy tính. Nền tảng này tập trung các công cụ được sử dụng để quản lý các giai đoạn khác nhau của quy trình làm việc AI thị giác, bao gồm chuẩn bị tập dữ liệu, chú thích hình ảnh và video, huấn luyện mô hình và triển khai.
Mặc dù được ứng dụng rộng rãi trong nhiều ngành công nghiệp như lái xe tự hành và chăm sóc sức khỏe, việc xây dựng các giải pháp thị giác máy tính vẫn có thể được xem là một quá trình rời rạc. Một trong những lý do chính là các mô hình thị giác máy tính phụ thuộc rất nhiều vào chất lượng dữ liệu mà chúng được sử dụng để huấn luyện. Trước khi quá trình huấn luyện bắt đầu, các tập dữ liệu cần được tạo, sắp xếp, xem xét và gắn nhãn để mô hình có thể học được những gì cần xử lý. detect hoặc nhận ra.
Khi làm việc với dữ liệu trực quan, quá trình này được gọi là chú thích dữ liệu, hay chú thích hình ảnh. Trong quá trình chú thích hình ảnh, các phần cụ thể của hình ảnh được đánh dấu và gán nhãn để hướng dẫn mô hình trong quá trình huấn luyện.
Ví dụ, nếu mục tiêu là detect Đối với hình ảnh chó, người chú thích có thể vẽ các khung bao quanh mỗi con chó để chỉ ra vị trí của chúng. Trong các nhiệm vụ chi tiết hơn, họ có thể phác thảo hình dạng của con chó bằng cách sử dụng mặt nạ phân đoạn hoặc đánh dấu các điểm chính để nắm bắt tư thế của nó. Những ví dụ được gắn nhãn này ảnh hưởng trực tiếp đến hiệu suất của mô hình sau khi được triển khai.
Quản lý quy trình chú thích hình ảnh ở quy mô lớn có thể là một thách thức. Các tập dữ liệu lớn thường yêu cầu các tiêu chuẩn ghi nhãn nhất quán, sự hợp tác giữa nhiều người chú thích và các công cụ giúp việc xem xét và tinh chỉnh chú thích dễ dàng hơn.
Ultralytics Nền tảng này kết hợp tất cả những điều đó với trình chỉnh sửa chú thích tích hợp sẵn. Nó hỗ trợ nhiều loại tác vụ chú thích và cung cấp cho các nhóm một cách đơn giản hơn để gắn nhãn dữ liệu và chuẩn bị bộ dữ liệu thị giác máy tính trong một quy trình làm việc duy nhất.
Trong bài viết này, chúng ta sẽ tìm hiểu về cách thức... Ultralytics Trình chỉnh sửa chú thích của nền tảng giúp các nhóm chú thích tập dữ liệu một cách hiệu quả và đơn giản hóa quá trình chuẩn bị dữ liệu. Hãy bắt đầu nào!
Trước khi khám phá các công cụ chú thích hình ảnh có sẵn trên nền tảng Ultralytics , hãy cùng tìm hiểu xem chú thích dữ liệu là gì và tại sao nó lại quan trọng trong việc xây dựng các hệ thống thị giác máy tính.
Các mô hình thị giác máy tính học bằng cách phân tích các bộ sưu tập lớn hình ảnh hoặc video, được gọi là tập dữ liệu. Tuy nhiên, chỉ riêng hình ảnh thô không cung cấp đủ thông tin để mô hình hiểu được những gì nó cần hiểu. detect hoặc nhận dạng. Để dữ liệu hữu ích cho việc huấn luyện, hình ảnh cần được gắn nhãn thông qua việc gán nhãn dữ liệu để mô hình có thể học được những đối tượng, hình dạng hoặc mẫu nào cần tìm kiếm.
Trong quá trình chú thích hình ảnh, các yếu tố cụ thể trong hình ảnh được đánh dấu và gán nhãn mô tả những gì mô hình cần học. Những ví dụ được gắn nhãn này hướng dẫn các mô hình và thuật toán học sâu trong quá trình huấn luyện và giúp chúng nhận ra các mẫu tương tự khi xử lý hình ảnh mới.
Các nhiệm vụ thị giác máy tính khác nhau đòi hỏi các loại chú thích hình ảnh khác nhau tùy thuộc vào ứng dụng và trường hợp sử dụng. Ví dụ, người chú thích có thể vẽ các khung bao quanh đối tượng để phát hiện đối tượng, phác thảo các vùng trong hình ảnh để phân đoạn ngữ nghĩa, xác định các điểm chính để ước tính tư thế hoặc gán nhãn cho toàn bộ hình ảnh để phân loại.
Việc chuẩn bị dữ liệu cho các dự án thị giác máy tính thường bao gồm làm việc với nhiều định dạng tệp khác nhau và tổ chức các tập dữ liệu. Nó cũng bao gồm việc đảm bảo mọi thứ sẵn sàng cho việc chú thích và huấn luyện các thuật toán máy học. Trong nhiều quy trình làm việc, quá trình này được trải rộng trên nhiều công cụ, với dữ liệu được tải lên, làm sạch và di chuyển giữa các hệ thống trước khi có thể được sử dụng.
Ultralytics Nền tảng này đơn giản hóa quá trình bằng cách xử lý việc chuẩn bị dữ liệu , huấn luyện mô hình và triển khai trong một môi trường duy nhất. Các nhóm có thể tải lên hình ảnh, video hoặc kho lưu trữ dữ liệu và hưởng lợi từ phương pháp hoàn toàn có thể tùy chỉnh để chuẩn bị dữ liệu của họ với các chú thích thủ công hoặc tự động bằng AI. Ultralytics Nền tảng hỗ trợ cả dữ liệu thô và các định dạng chuẩn như... YOLO Và COCO Điều này giúp việc bắt đầu các dự án mới trở nên dễ dàng hơn. Nó cũng cung cấp quyền truy cập vào các tập dữ liệu hiện có trên nền tảng, bao gồm cả các tập dữ liệu được chú thích mà các nhóm có thể sử dụng để nhanh chóng bắt đầu các dự án hoặc thử nghiệm mới.
Khi dữ liệu đã có sẵn, nó có thể được quản lý trực tiếp trên nền tảng. Các nhà phát triển có thể xem xét hình ảnh, theo dõi tiến độ chú thích và sử dụng các công cụ trực quan tích hợp sẵn để hiểu sự phân bố dữ liệu và xác định các khoảng trống tiềm năng.
Nền tảng này cũng hỗ trợ quản lý phiên bản tập dữ liệu, giúp các nhóm ghi lại các bản sao dữ liệu của họ khi dữ liệu thay đổi. Điều này giúp việc quản lý dữ liệu trở nên dễ dàng hơn. track thay đổi, so sánh các thí nghiệm và duy trì tính nhất quán trong quá trình đào tạo.
Sau khi chuẩn bị dữ liệu, các nhóm có thể chuyển sang bước chú thích hình ảnh, trong đó chúng được gắn nhãn để giúp các mô hình học cách nhận biết. detect .
Sau khi dữ liệu được tải lên, bước tiếp theo là chú thích. Đây là công đoạn gắn nhãn cho dữ liệu hình ảnh, tạo nền tảng để huấn luyện các mô hình thị giác máy tính. Ultralytics Nền tảng này bao gồm các dịch vụ chú thích hình ảnh tích hợp thông qua trình chỉnh sửa chú thích, cho phép các nhóm gắn nhãn và quản lý tập dữ liệu trực tiếp trong cùng một môi trường.
Trình chỉnh sửa chú thích được triển khai trong một không gian làm việc đơn giản, nơi người dùng có thể xem lại hình ảnh, thêm nhãn và cập nhật chú thích khi cần. Mọi thứ được sắp xếp ở một nơi, giúp dễ dàng duy trì tính nhất quán của tập dữ liệu và sẵn sàng cho việc huấn luyện dữ liệu.
Các nhóm có thể tải lên tập dữ liệu và bắt đầu gắn nhãn hình ảnh trực tiếp trên trình duyệt, xác định và quản lý các lớp chú thích để đảm bảo nhãn nhất quán trên toàn bộ tập dữ liệu. Khi các chú thích được tạo, người dùng có thể xem lại chúng trực quan trong trình chỉnh sửa, giúp dễ dàng kiểm tra độ chính xác trước khi chuyển sang huấn luyện mô hình.
Ultralytics Nền tảng này cũng bao gồm một số khả năng hỗ trợ quy trình gắn nhãn tập dữ liệu hiệu quả, đơn giản hóa quá trình chú thích bằng cách sử dụng các thuật toán tiên tiến.
Dưới đây là một số tính năng chính có sẵn trong Ultralytics Nền tảng:
Bằng cách kết hợp các công cụ thủ công, trí tuệ nhân tạo và tự động hóa, Ultralytics Nền tảng này giúp người dùng chú thích hình ảnh hiệu quả hơn. Nó cũng cho phép chuẩn bị dữ liệu huấn luyện chất lượng cao cho các mô hình thị giác máy tính có khả năng mở rộng.
Các trường hợp sử dụng khác nhau, chẳng hạn như đảm bảo chất lượng sản phẩm, sẽ yêu cầu các loại chú thích khác nhau tùy thuộc vào những gì cần được phát hiện trong hình ảnh hoặc video. Như chúng ta đã đề cập ở trên, Ultralytics Nền tảng này hỗ trợ năm tác vụ phát hiện đối tượng, mỗi tác vụ có kiểu chú thích riêng.
Hãy cùng xem xét kỹ hơn các tác vụ chú thích được hỗ trợ trên nền tảng này và cách chúng có thể được sử dụng để gắn nhãn cho các tập dữ liệu.
Phát hiện đối tượng xác định và định vị các đối tượng trong ảnh. Người chú thích đánh dấu từng đối tượng cần quan tâm bằng các hộp giới hạn, cho biết vị trí xuất hiện của các đối tượng trong ảnh.
Trong trình chỉnh sửa chú thích, thao tác này được thực hiện bằng công cụ hộp giới hạn. Người dùng có thể vào “chế độ chỉnh sửa”, nhấp và kéo để vẽ một hình chữ nhật xung quanh một đối tượng, và gán nhãn lớp từ menu thả xuống.
Các khung giới hạn có thể được điều chỉnh sau khi chúng được tạo. Người chú thích có thể thay đổi kích thước chúng bằng cách kéo các góc hoặc cạnh, di chuyển chúng bằng cách kéo tâm của khung hoặc xóa chúng bằng các phím tắt. Những chú thích này giúp các mô hình thị giác học cách detect các vật thể trong các khung cảnh và điều kiện khác nhau.
Phân đoạn đối tượng cung cấp các chú thích chi tiết hơn bằng cách xác định hình dạng chính xác của các đối tượng trong ảnh. Thay vì vẽ một hình hộp đơn giản, người chú thích sẽ theo dõi ranh giới của đối tượng bằng cách sử dụng chú thích đa giác để tạo ra các mặt nạ chính xác cho các tác vụ phân đoạn ảnh.
Trình chỉnh sửa chú thích bao gồm một công cụ đa giác cho tác vụ này. Người chú thích đặt nhiều đỉnh xung quanh các cạnh của một đối tượng để phác thảo hình dạng của nó. Sau khi các đỉnh được đặt, đa giác có thể được đóng lại để tạo mặt nạ phân đoạn.
Các đỉnh có thể được điều chỉnh sau khi đa giác được tạo. Các điểm riêng lẻ có thể được di chuyển để tinh chỉnh ranh giới đối tượng, và các đỉnh có thể được loại bỏ nếu cần. Các chú thích ở cấp độ pixel này giúp các mô hình học được cấu trúc hình ảnh chi tiết và phân biệt giữa các đối tượng xuất hiện gần nhau.
Chú thích ước lượng tư thế ghi lại vị trí của các khớp cơ thể và mối quan hệ giữa chúng. Điều này giúp các mô hình hiểu được cấu trúc và chuyển động của người hoặc động vật trong hình ảnh.
Sử dụng công cụ điểm mấu chốt, người dùng có thể đặt các điểm mấu chốt đại diện cho các khớp cơ thể như vai, khuỷu tay, cổ tay, hông, đầu gối và mắt cá chân. Nền tảng này hỗ trợ một số mẫu khung xương có sẵn, bao gồm cả khung xương 17 điểm. COCO Định dạng tư thế người cũng như các mẫu cho bàn tay, khuôn mặt, chó và các góc hộp.
Các mẫu cho phép bạn đặt toàn bộ bố cục khung xương chỉ bằng một cú nhấp chuột, sau đó có thể điều chỉnh từng điểm mấu chốt để phù hợp với tư thế trong hình ảnh. Mỗi điểm mấu chốt cũng có thể bao gồm một cờ hiển thị để cho biết nó có hiển thị hay bị che khuất.
Các hộp giới hạn định hướng tiến thêm một bước so với các hộp giới hạn truyền thống bằng cách hỗ trợ xoay. Loại chú thích này hữu ích khi các đối tượng xuất hiện ở các góc độ khác nhau thay vì thẳng hàng với khung hình.
Trong trình chỉnh sửa chú thích, người chú thích có thể sử dụng công cụ hộp giới hạn định hướng để vẽ các hình chữ nhật xoay quanh các đối tượng. Sau khi vẽ hộp ban đầu, có thể sử dụng tay cầm xoay để điều chỉnh góc, trong khi các tay cầm ở góc cho phép thay đổi kích thước hộp.
Các chú thích xoay thường được sử dụng trong ảnh chụp từ trên không, bộ dữ liệu kiểm tra công nghiệp và các trường hợp khác mà các đối tượng xuất hiện theo đường chéo hoặc từ các góc nhìn khác nhau.
Phân loại hình ảnh gán nhãn cho toàn bộ hình ảnh thay vì đánh dấu từng đối tượng riêng lẻ trong đó.
Đối với các tập dữ liệu phân loại, trình chỉnh sửa chú thích cung cấp bảng chọn lớp. Người chú thích có thể gán nhãn cho hình ảnh bằng cách chọn một lớp từ thanh bên hoặc sử dụng phím tắt để gán nhãn nhanh hơn.
Các nhãn ở cấp độ hình ảnh này giúp các mô hình học được các mẫu hình ảnh cấp cao đại diện cho các danh mục khác nhau.
Việc gắn nhãn hình ảnh cho các tác vụ như phân đoạn thường đòi hỏi sự cẩn thận và tỉ mỉ, đặc biệt khi cần phải xác định chính xác đường viền của các đối tượng. Ultralytics Nền tảng này bao gồm các công cụ chú thích hỗ trợ bởi trí tuệ nhân tạo, giúp tăng tốc quá trình đồng thời đảm bảo độ chính xác của các chú thích và dễ dàng xem xét.
Ví dụ, người chú thích có thể tương tác với hình ảnh bằng cách nhấp vào các phần của đối tượng mà họ muốn đưa vào chú thích. Họ cũng có thể đánh dấu các khu vực cần loại trừ để tinh chỉnh kết quả. Dựa trên các đầu vào này, mô hình sẽ tạo ra mặt nạ phân đoạn trong thời gian thực, sau đó có thể được xem xét và điều chỉnh trước khi lưu lại.
Cách tiếp cận này giúp dễ dàng xử lý các hình ảnh phức tạp mà không cần phải tự tay theo dõi từng chi tiết. Đồng thời, người chú thích vẫn kiểm soát được kết quả cuối cùng, đảm bảo tính nhất quán của các chú thích trên toàn bộ tập dữ liệu.
Các tính năng này được hỗ trợ bởi Mô hình Segment Anything ( SAM Các mô hình này là một phần của hệ sinh thái rộng lớn hơn gồm các công cụ thị giác máy tính mã nguồn mở được thiết kế để tạo ra các phân đoạn chất lượng cao từ dữ liệu đầu vào tối thiểu. Nền tảng này hỗ trợ nhiều mô hình khác nhau. SAM các biến thể, bao gồm SAM 2.1 và SAM 3. Điều này giúp các nhóm có sự linh hoạt trong việc lựa chọn giữa hiệu suất nhanh hơn và kết quả chi tiết hơn dựa trên nhu cầu của họ.
Các công cụ hỗ trợ bởi trí tuệ nhân tạo này có thể được áp dụng cho nhiều tác vụ khác nhau, chẳng hạn như phát hiện đối tượng, phân đoạn đối tượng và phát hiện hộp giới hạn có hướng. Điều này có nghĩa là các nhóm có thể xử lý các tập dữ liệu lớn hiệu quả hơn trong khi vẫn duy trì chất lượng cần thiết cho việc huấn luyện mô hình đáng tin cậy.
Trong quá trình chú thích hình ảnh, việc quay lại điều chỉnh nhãn, sửa lỗi hoặc xem xét hình ảnh kỹ hơn là điều thường xảy ra. Ultralytics Trình chỉnh sửa chú thích bao gồm các công cụ tích hợp giúp xử lý các tác vụ thường ngày này dễ dàng hơn và tiết kiệm thời gian hơn.
Một số tính năng quy trình làm việc có sẵn trong trình chỉnh sửa bao gồm:
Các lớp chú thích rõ ràng và nhất quán đóng vai trò quan trọng trong việc xây dựng các bộ dữ liệu thị giác máy tính đáng tin cậy. Khi các dự án phát triển, việc quản lý việc gắn nhãn dữ liệu trên các bộ dữ liệu lớn có thể trở nên khó khăn, đặc biệt khi có nhiều người chú thích tham gia. Việc giữ cho các lớp được tổ chức tốt giúp đảm bảo các chú thích luôn nhất quán và các mô hình học hỏi từ dữ liệu có cấu trúc.
Ultralytics Nền tảng này đơn giản hóa quy trình bằng cách tích hợp quản lý lớp trực tiếp vào trình chỉnh sửa chú thích. Thay vì xử lý nhãn riêng biệt, các nhóm có thể tạo, cập nhật và xem xét các lớp trong khi làm việc với hình ảnh, giúp dễ dàng duy trì tính nhất quán trong toàn bộ quy trình chú thích.
Trong trình chỉnh sửa, tất cả các lớp đều có sẵn trong thanh bên cạnh khung chú thích. Điều này giúp dễ dàng chọn nhãn chính xác trong khi chú thích và giữ cho mọi thứ được sắp xếp gọn gàng. track Về cách các lớp được sử dụng trong toàn bộ tập dữ liệu. Người dùng có thể tìm kiếm các lớp hiện có hoặc tạo lớp mới khi cần, mà không làm gián đoạn quy trình làm việc của họ.
Thông tin chi tiết về lớp cũng có thể được cập nhật bất cứ lúc nào. Tên có thể được chỉnh sửa trực tiếp và màu sắc có thể được gán để giúp dễ dàng nhận biết các lớp khác nhau trong các chú thích. Trình chỉnh sửa cũng hiển thị số lượng chú thích được liên kết với mỗi lớp và cho phép người dùng xem lại chúng, giúp các nhóm kiểm tra tính nhất quán và độ chính xác.
Tất cả các lớp được quản lý thông qua một bảng tập trung, nơi chúng có thể được sắp xếp, tìm kiếm và cập nhật. Bất kỳ thay đổi nào được thực hiện ở đây đều được tự động áp dụng trên toàn bộ tập dữ liệu, giúp các nhóm duy trì tính nhất quán khi các dự án chú thích mở rộng quy mô.
Khi các hệ thống thị giác máy tính chuyển từ giai đoạn phát triển sang ứng dụng thực tế, chất lượng dữ liệu được chú thích đóng vai trò quan trọng trong hiệu suất của mô hình. Các tập dữ liệu được gắn nhãn tốt giúp mô hình đưa ra dự đoán chính xác và nhất quán hơn, đặc biệt là trong môi trường năng động hoặc khó dự đoán.
Trên thực tế, ngay cả những sự không nhất quán nhỏ trong việc chú thích cũng có thể ảnh hưởng đến hành vi của mô hình. Sự khác biệt trong cách gán nhãn cho các đối tượng hoặc cách xử lý các trường hợp ngoại lệ có thể không rõ ràng trong quá trình huấn luyện nhưng có thể dẫn đến các dự đoán kém tin cậy hơn sau khi hệ thống được triển khai.
Hơn nữa, những sự không nhất quán này có thể trở nên dễ nhận thấy hơn trong các ứng dụng thực tế. Ví dụ, trong robot và hệ thống chăm sóc sức khỏe, các mô hình dựa vào đầu vào hình ảnh để detect Các đối tượng và hướng dẫn hành động trong thời gian thực. Sự khác biệt trong việc gắn nhãn có thể ảnh hưởng đến độ chính xác mà các hệ thống này diễn giải môi trường xung quanh.
Bằng cách duy trì các quy trình chú thích nhất quán và sử dụng các nền tảng như Ultralytics Bằng cách quản lý và tinh chỉnh các tập dữ liệu theo thời gian, các nhóm có thể xây dựng các mô hình hoạt động đáng tin cậy hơn ngay cả khi không nằm trong môi trường thử nghiệm được kiểm soát.
Việc chú thích dữ liệu chất lượng cao là điều cần thiết để huấn luyện các mô hình thị giác máy tính chính xác và hỗ trợ các dự án chú thích hình ảnh thành công. Ultralytics Nền tảng này đơn giản hóa quy trình với trình chỉnh sửa chú thích mạnh mẽ hỗ trợ nhiều tác vụ xử lý hình ảnh. Bằng cách kết hợp các công cụ chú thích thủ công với việc gắn nhãn hỗ trợ bởi AI, SAM Với các tính năng quy trình làm việc tích hợp sẵn, các nhóm có thể chuẩn bị tập dữ liệu hiệu quả hơn và chuyển nhanh hơn từ giai đoạn chuẩn bị dữ liệu sang phát triển mô hình.
Hãy tham gia cộng đồng của chúng tôi và khám phá kho lưu trữ GitHub để tìm hiểu thêm về các mô hình thị giác máy tính. Đọc về các ứng dụng như AI trong ngành ô tô và thị giác máy tính trong robot trên các trang giải pháp của chúng tôi. Xem các tùy chọn cấp phép của chúng tôi và bắt đầu xây dựng mô hình AI thị giác của riêng bạn.
Bắt đầu hành trình của bạn với tương lai của học máy
