Annotazione di immagini
Come annotare immagini in Potato: classificazione, tagging multi-etichetta, bounding box, poligoni e landmark, con export verso COCO e YOLO.
L'annotazione di immagini va da una singola etichetta per immagine a regioni precise disegnate sui pixel, cioè box, poligoni e punti. Il livello giusto dipende da cosa serve al tuo modello: un classificatore ha bisogno di etichette, un detector di bounding box, un modello di segmentazione di poligoni. Per il riferimento della funzionalità vedi Annotazione di immagini.
Classificazione e tagging dell'immagine intera
Usa radio per una sola etichetta, multiselect per più di una. La vetrina sulla classificazione di immagini è un esempio funzionante.
annotation_schemes:
- annotation_type: multiselect
name: contents
description: "Select everything visible in the image."
labels: [Person, Vehicle, Animal, Building, Vegetation]Regioni: box, poligoni, landmark
Per la localizzazione, gli annotatori disegnano sull'immagine:
- Bounding box per l'object detection.
- Poligoni per la segmentazione di immagini, quando conta la forma dell'oggetto.
- Landmark / keypoint per pose e volti.
L'annotazione di immagini di Potato supporta questi tipi di regione con colori per classe, allo stesso modo in cui l'annotazione a span funziona per il testo.
Regole sui confini e sull'etichettatura
- Aderenza. I box seguono il profilo dell'oggetto o lasciano un margine? Sii coerente.
- Occlusione e troncamento. Decidi come tracciare il box di un oggetto in parte nascosto.
- Oggetti piccoli e affollamento. Fissa una dimensione minima e una regola per le scene dense.
Queste regole incidono sull'accordo molto più dello strumento di disegno.
Export per modelli di visione
Potato esporta le annotazioni di immagini nei formati COCO e YOLO, che le pipeline di training per detection e segmentazione leggono direttamente. Vedi Esportare le annotazioni per il machine learning.