सामग्री पर जाएं

विज़न और स्थानिक एनोटेशन

Potato छवियों, वीडियो, गीगापिक्सेल स्कैन, 3D पॉइंट क्लाउड, डेप्थ मैप और रोबोट एपिसोड को एनोटेट करता है, और इन सब पर संयोग-संशोधित सहमति रिपोर्ट करता है। विज़न और स्थानिक सतह का अवलोकन।

Potato एक ही YAML कॉन्फ़िगरेशन से छवियों, वीडियो, गीगापिक्सेल स्कैन, 3D पॉइंट क्लाउड, डेप्थ मैप, रोबोट एपिसोड और जनरेटिव-वीडियो रोलआउट को एनोटेट करता है, और इन सब पर संयोग-संशोधित सहमति रिपोर्ट करता है। यह पेज नक्शा है; हर सतह का अपना पेज नीचे है।

ज़्यादातर यह सब संस्करण 2.8 में आया। उससे पहले Potato एक टेक्स्ट एनोटेशन प्लेटफ़ॉर्म था जिसमें एक इमेज मोड था।

यहाँ क्या है

सतहस्कीमापेज
बॉक्स, पॉलीगॉन, पॉलीलाइन, दीर्घवृत्त, क्यूबॉइड, कीपॉइंट, मास्कimage_annotationज्यामिति प्रिमिटिव
किसी ऑब्जेक्ट पर क्लिक करें, मास्क पाएँsam टूल के साथ image_annotationइंटरैक्टिव सेगमेंटेशन
एक वाक्यांश टाइप करें, हर मिलान पर बॉक्स पाएँtext_prompt के साथ image_annotationटेक्स्ट प्रॉम्प्टिंग
किसी क्लिप में ऑब्जेक्ट को ट्रैक करेंvideo_annotationवीडियो ट्रैकिंग
पूरे रिज़ॉल्यूशन पर गीगापिक्सेल स्कैनviewer: deepzoomडीप ज़ूम
3D पॉइंट क्लाउड और ओरिएंटेड क्यूबॉइडspatial_annotationपॉइंट क्लाउड
मीटर रीडआउट वाले डेप्थ मैपdepth_map डिस्प्लेडेप्थ मैप
टाइमलाइन पर रोबोट प्रदर्शनepisode_annotationरोबोट एपिसोड
जनरेटिव-वीडियो रोलआउटrollout_evaluationवर्ल्ड-मॉडल मूल्यांकन
रेफ़रिंग एक्सप्रेशन और पॉइंटिंगgrounding_eval, region_captionVLM ग्राउंडिंग
48 इंपोर्ट और 72 निर्यात फ़ॉर्मैट—CV फ़ॉर्मैट
कौन-से मॉडल, और किस लाइसेंस के तहत—मॉडल ज़ू

असामान्य हिस्सा

यहाँ Potato को अलग करने वाली चीज़ ड्रॉइंग टूल नहीं हैं। CVAT, Label Studio, Roboflow, V7 और Supervisely सभी बॉक्स और पॉलीगॉन बनाते हैं, और कई यह बेहतर करते हैं; तुलना गाइड बताती है कहाँ।

Potato जो जोड़ता है, वह यह है कि इनमें से हर सतह संयोग-संशोधित सहमति रिपोर्ट करती है। हमें ऐसा कोई दूसरा एनोटेशन प्लेटफ़ॉर्म नहीं मिला जो स्थानिक लेबलों के लिए संयोग-संशोधित गुणांक रिपोर्ट करता हो: मानक कच्चा IoU या प्रतिशत मिलान है, जो तब फूल जाता है जब कोई एक उत्तर हावी हो, और लगभग हमेशा कोई एक उत्तर हावी होता है। बॉक्स, मास्क, 3D क्यूबॉइड, घटना-समय और कैप्शन के लिए इसका क्या मतलब है, यह मापन और अखंडता में देखें।

मॉडल स्थानीय रूप से चलते हैं

इंटरैक्टिव सेगमेंटेशन और ओपन-वोकैबुलरी टेक्स्ट प्रॉम्प्टिंग दोनों एनोटेटर के ब्राउज़र में ONNX Runtime Web से चलते हैं। न GPU जुटाना है, न मॉडल सर्वर चालू रखना है, और न हर क्लिक पर नेटवर्क कॉल। वज़न मशीन पर आ जाने के बाद पूरा सिस्टम एयर-गैप्ड काम करता है।

वीडियो मास्क प्रोपेगेशन अपवाद है और जानबूझकर सर्वर पर चलता है: उसकी लागत प्रति प्रॉम्प्ट नहीं, प्रति फ़्रेम है, और ब्राउज़र टैब में वीडियो मॉडल के सौ फ़्रेम का मतलब होता मिनटों तक जमा हुआ UI।

कुछ भी बंडल नहीं है और जब तक आप न कहें कुछ डाउनलोड नहीं होता:

bash
potato download-models --list
potato download-models mobile_sam

मॉडल ज़ू पेज हर मॉडल का लाइसेंस बताता है, और download-models बिना --accept-licence के गैर-व्यावसायिक मॉडल लाने से इनकार करता है।

शुरू करना

सबसे तेज़ रास्ता एक चलने योग्य उदाहरण है। इनमें से हर एक Potato रिपॉज़िटरी में है और रिपॉज़िटरी रूट से बिना किसी डाउनलोड के चलता है:

आगे पढ़ें