在当今的生产环境中,许多顶级模型如YOLOv9、Ultralytics YOLOv8和YOLO-NAS等,都需要在数百或数千张标记图像上进行微调,以实现生产系统所需的准确性。因此,需要花费大量时间进行图像标记或审核,这是一个昂贵且耗时的过程。通常,大规模的标记工作需要团队之间进行大量的来回沟通,任何错误或误解都可能使模型部署推迟数周。
鉴于亲眼目睹了标注过程中的摩擦,Roboflow团队非常兴奋地推出了Auto Label(测试版),这是一种基于文本提示的批量标注数千张图像的方法。这一功能由为社区维护的开源仓库Autodistill提供支持。通过提示Grounding DINO检测药瓶和蓝色瓶盖。
什么是Auto Label?
Auto Label允许自动标注图像,以便用于训练微调视觉模型。它通过使用通常太慢而无法在生产中使用的基线模型(如Grounding DINO和GroundingSAM)来实现。其中一个好处是,Grounding DINO和GroundingSAM是零样本模型;它们无需在自定义数据上进行微调即可工作。因此,Auto Label从项目开始时就非常有用。
Auto Label中使用的基线模型之所以强大,是因为它们几乎可以处理无限数量的类别,并且需要通过各种提示来找到不同对象的正确组合。这就是为什么专门构建了新的提示界面,允许快速测试多个提示和类别级别的置信度阈值。
发现Auto Label适用于广泛的用例,每天都在学习更多关于最佳提示方式的知识(请参阅YOLO-World提示指南)。在Auto Label准确标注50%的图像的情况下,可以减少一半的人工标注时间和相关成本。
如何使用Auto Label
可以从Roboflow项目仪表板中使用Auto Label。让展示如何为数据集自动标注一批图像。
1. 上传图像到Roboflow 首先,将图像上传到Roboflow。支持多种上传方式: 拖放图像到上传页面 通过API上传 复制并粘贴YouTube URL
2. 将图像分配给Auto Label 接下来,导航到可以分配图像的页面,并点击Auto Label Images。
3. 测试提示 Auto Label使用文本提示来告诉模型需要标注哪些对象。这些提示可以采取多种形式——例如“汽车”、“黄色物体”或“小而闪亮的物体”——是Auto Label流程中最重要的元素。 在尝试提示时,可以使用界面更改类别名称、提示、类别颜色和类别置信度阈值。可以在一系列示例图像上尝试提示,直到达到足够的结果,以模型的准确性为衡量标准。
4. 批量标注图像 一旦对预览模式中的提示感到满意,请点击屏幕右上角的Auto Label with This Model按钮。这将启动一个标注作业,一旦作业完成,将收到一封电子邮件。
5. 审核标注 建议在开始训练之前对图像进行最终审核。可能需要进行一些编辑,以将标注质量从80%提高到100%。 在Roboflow中审核标注。 Roboflow Annotate使审核标注变得无缝,具有用于标注批准或拒绝的热键、协作评论和团队范围内的可见性。如果希望Roboflow为处理人工审核图像,请与联系。
Auto Label Beta访问权限
Auto Label在Beta发布期间对所有Roboflow用户免费开放,每个标注作业最多1,000张图像。定价、限制和可用性在Beta期后可能会发生变化。 联系销售部门以增加工作空间中Auto Label批次超过1,000张图像。 团队正在努力继续改进Auto Label。目前,首要任务是: 通过GroundingSAM添加对多边形标注的支持 UI改进和提示提示 更大的预览和批量标注批次大小 支持Universe和Roboflow托管的自定义模型 请在Roboflow用户论坛上分享反馈!