Annotationen für das maschinelle Lernen exportieren
Wie du Potato-Annotationen in ML-taugliche Formate exportierst: JSON/JSONL, CoNLL, Hugging Face Datasets, spaCy, COCO und YOLO, und wofür jedes davon gedacht ist.
Annotiert wird meist, um ein Modell zu trainieren oder zu evaluieren, also kommt es auf das Exportformat an. Potato schreibt einfaches JSON/JSONL/CSV und dazu ML-eigene Formate, die Trainingspipelines direkt lesen, ohne Klebecode. Wenn du das Zielformat vor dem Labeln festlegst, weißt du, wie du Daten und IDs strukturieren musst.
Die Referenz dazu steht unter Exportformate.
Das passende Format wählen
| Format | Wofür |
|---|---|
| JSON / JSONL | Für alles Mögliche; ein Datensatz pro Element. Der sichere Standard. |
| CSV | Tabellen und schnelle Auswertung von Klassifikationslabels. |
| CoNLL | Sequenz-Labeling auf Token-Ebene (NER, Chunking) mit BIO-Tags. |
| Hugging Face Datasets | Direktes Laden ins Training mit transformers. |
| spaCy | Training von spaCy-Modellen für NER und Textklassifikation. |
| COCO / YOLO | Objekterkennung und Segmentierung aus der Bildannotation. |
| Parquet | Spaltenorientierte Speicherung und Auswertung in großem Maßstab. Siehe Parquet-Export. |
Das Ausgabeformat einstellen
output_annotation_dir: "annotation_output/"
output_annotation_format: "jsonl" # json, csv, conll, ...Was im Export landet
Ein typischer Datensatz enthält die ID des Elements, den ursprünglichen Inhalt, die Labels aller Annotierenden und Metadaten (wer, wann). Behältst du die Labels aller Beteiligten statt nur eines Aggregats, kannst du die Übereinstimmung berechnen und später mit einem anderen Verfahren neu aggregieren.
Den Export vor dem Labeln planen
Das Exportformat schränkt den Entwurf deiner Eingabedaten ein. Exporte für Sequenz-Labeling brauchen eine einheitliche Tokenisierung, COCO und YOLO brauchen Bildmaße, Hugging Face braucht eine stabile Labelmenge. Entscheide dich zuerst für das Ziel, damit du die Studie nicht noch einmal laufen lassen musst. Siehe Datenformate für die Annotation entwerfen.