在当今的技术发展中，计算机视觉已经成为一个强大的工具，它能够识别和处理图像数据。通过计算机视觉，可以训练模型来识别特定的产品SKU，为自动结账解决方案提供支持，或者构建能够识别画作的互动式博物馆应用程序等等。传统上，需要手动标记每个产品SKU，或者使用外包的标记服务来协助标记。现在，有了开源的Autodistill框架，可以在自有硬件上自动标记图像数据集，并且需要一些人为审核结果。这使得能够比以往更快地将训练好的模型投入生产，用于应用程序中。
开始之前，需要数据。以这个例子为例，将标记42张黑胶唱片的图片。总的来说，数据集涵盖了六个类别。建议从几个类别开始，并为每个类别提供至少五张图片作为示例。在这个指南中，将使用Roboflow Universe上的黑胶唱片数据集，这是一个共享了超过25万个计算机视觉数据集的社区。要下载将要使用的数据集，请访问Universe上的黑胶数据集页面。然后，点击“下载此数据集”。按照屏幕上的指示操作。选择“下载ZIP”选项以下载图片的ZIP文件。
为了标记数据以训练模型，将使用Autodistill。Autodistill是一个框架，它允许使用大型的基础视觉模型来自动标记数据，以便用于训练更小的、实时的模型。在自动标记过程中，将使用两个模型：Grounding DINO和CLIP。将在下一部分更多地讨论这些模型以及它们的工作原理。运行以下命令以安装将在项目中使用的依赖项：
pip install autodistill autodistill-grounding-dino autodistill-clip
在前一节中，提到将使用两个模型来自动标记数据：Grounding DINO和CLIP。Grounding DINO是一个零样本目标检测模型。Grounding DINO将识别一般对象（例如唱片封面）的位置。然后，将使用CLIP对一般对象进行分类并分配更具体的标签。自动标记过程包括三个步骤：设置Grounding DINO以识别唱片封面，配置CLIP以分类唱片封面，以及在数据集中的所有图片上运行Grounding DINO和CLIP。使用Autodistill，可以在几十行代码中完成上述步骤，并且需要一些手动工作来配置CLIP。
可能会想：模型如何在没有训练的情况下知道如何分类唱片封面？这是CLIP将帮助完成的过程。首先，代码将使用Grounding DINO并剪切出所有黑胶唱片封面。然后，CLIP将对每个封面进行分类并分配一个标签。需要为每个想要用于分类的类别（SKU）计算CLIP嵌入。嵌入是编码图像的语义信息的数字表示。可以使用这些嵌入来对对象进行分类。与图像最接近的嵌入所关联的类别可以用作标签。
使用的参考图像应该主要展示想要检测的SKU。展示多个产品会混淆模型，并导致次优的结果。例如，可以使用以下图像作为“”专辑的参考，因为它不包含其他黑胶唱片或类似对象：
一旦标记了数据集，建议审核数据质量。可以在Roboflow平台上这样做，它提供了一个注释工具，可以使用它来审核和纠正注释。在Roboflow仪表板中创建一个新的目标检测项目。然后，上传Autodistill返回的数据集。点击“保存并继续”以上传和保存图像和注释。接下来，点击侧边栏中的“注释”。点击一个图像开始审核所有注释。这里有一个来自图像的示例注释：在这种情况下，Autodistill成功地标记了图像。如果Autodistill错误地标记了任何数据，使用Roboflow Annotate进行必要的更改。对于这个特定的数据集，大约花了两分钟进行手动更正注释。
如果还没有这样做，请按照以下步骤上传数据到Roboflow。一旦准备好训练模型，点击Roboflow侧边栏中的“生成”。在这个阶段，可以选择要应用到数据集的增强和预处理步骤。对于第一版模型，建议保留默认的增强和预处理步骤。点击页面底部的“生成”以生成数据集版本。将创建一个包含所有图像数据的检查点。点击“用Roboflow训练”并按照屏幕上的指示训练一个目标检测模型：一个目标检测模型训练作业将开始。将出现一个显示训练作业进展的图表。一旦模型被训练，将收到一封电子邮件。