Annotation d'images
Comment annoter des images dans Potato : classification, étiquetage multi-label, boîtes englobantes, polygones et points de repère, et export vers COCO/YOLO.
L'annotation d'images va d'une seule étiquette par image à des régions précises tracées sur les pixels : boîtes, polygones et points. Le bon niveau dépend de ce dont votre modèle a besoin : un classifieur a besoin d'étiquettes, un détecteur a besoin de boîtes englobantes et un modèle de segmentation a besoin de polygones. Pour la référence de la fonctionnalité, voir Annotation d'images.
Classification et étiquetage de l'image entière
Utilisez radio pour une seule étiquette et multiselect pour plusieurs. La vitrine de classification d'images en est un exemple fonctionnel.
annotation_schemes:
- annotation_type: multiselect
name: contents
description: "Select everything visible in the image."
labels: [Person, Vehicle, Animal, Building, Vegetation]Régions : boîtes, polygones, points de repère
Pour la localisation, les annotateurs dessinent sur l'image :
- Boîtes englobantes pour la détection d'objets.
- Polygones pour la segmentation d'images, lorsque la forme de l'objet compte.
- Points de repère / points clés pour les poses et les visages.
L'annotation d'images de Potato prend en charge ces types de régions avec des couleurs par classe, de la même manière que l'annotation d'empans fonctionne pour le texte.
Règles de délimitation et d'étiquetage
- Ajustement. Les boîtes épousent-elles l'objet ou laissent-elles une marge ? Soyez cohérent.
- Occlusion et troncature. Décidez comment encadrer un objet partiellement masqué.
- Petits objets et foules. Fixez une taille minimale et une règle pour les scènes denses.
Ces règles influencent votre accord bien plus que l'outil de dessin lui-même.
Exporter pour les modèles de vision
Potato exporte les annotations d'images aux formats COCO et YOLO, que les pipelines d'entraînement de détection et de segmentation lisent directement. Voir Exporter les annotations pour le ML.