बॉक्स प्रॉम्प्टिंग

हमारे एआई लेबलिंग टूल से इमेजेज़ का एनोटेशन करें, जो हर उदाहरण के साथ बेहतर होता जाता है।

बॉक्स प्रॉम्प्टिंग कई में से एक है AI लेबलिंग विशेषताएँ। इस सुविधा का उपयोग करने से क्रेडिट्स हमारे यहाँ सूचीबद्ध दरों पर क्रेडिट्स पेज.

एनोटेशन टूलबार में बॉक्स प्रॉम्प्टिंग सक्रिय करें।

बॉक्स प्रॉम्प्टिंग समान वस्तुओं के लिए एनोटेशन बनाने हेतु एक (या अधिक) प्रॉम्प्ट बाउंडिंग बॉक्स लेता है। प्रत्येक उदाहरण एक मॉडल को फाइन-ट्यून करता है, जो हर छवि के साथ बेहतर होता जाता है। बॉक्स प्रॉम्प्टिंग के साथ, आप डेटासेट में कई बार दिखाई देने वाली वस्तुओं के चारों ओर मैन्युअल रूप से बाउंडिंग बॉक्स बनाने में लगने वाले घंटों की बचत करते हैं।

चरण 1: प्रत्येक वर्ग का कम से कम एक उदाहरण एनोटेट करें

बॉक्स प्रॉम्प्टिंग के लिए आवश्यक है कि आप पूर्वानुमान जनरेट करने के लिए उदाहरण के रूप में देने हेतु कम से कम एक बाउंडिंग बॉक्स एनोटेशन बनाएं।

चरण 2: बॉक्स प्रॉम्प्टिंग टूल सक्रिय करें

जादू होते देखने के लिए सुनिश्चित करें कि बॉक्स प्रॉम्प्टिंग टूल सक्रिय है! बॉक्स प्रॉम्प्टिंग आपके एनोटेशनों के आधार पर पूर्वानुमान जनरेट करेगा। जब भी आप कोई एनोटेशन सेव या डिलीट करते हैं, पूर्वानुमान बिंदीदार रेखाओं के साथ दिखाई देंगे।

पूर्वानुमान एनोटेशन नहीं होते और छवि से बाहर जाने पर सेव नहीं किए जाएंगे। अपने पूर्वानुमानों को कैसे सेव करना है, इसके लिए चरण 4 देखें।

चरण 3: अपने पूर्वानुमानों को फाइन-ट्यून करें

यहाँ से, आप कर सकते हैं:

विश्वास (कॉनफ़िडेंस) समायोजित करें

दिखाए गए पूर्वानुमानों की संख्या समायोजित करने के लिए स्लाइडर का उपयोग करके विश्वास सीमा (कॉनफ़िडेंस थ्रेशोल्ड) समायोजित करें। अधिक विश्वास का मतलब कम पूर्वानुमान है।

विश्वास सीमा बदलकर दिखाए गए पूर्वानुमानों की संख्या समायोजित करें।

नकारात्मक उदाहरण प्रदान करें

यदि कोई गलत पूर्वानुमान होता है, तो आप बॉक्स पर राइट-क्लिक करके "निगेटिव में बदलें" चुन सकते हैं। इससे मॉडल को यह सिखाया जाएगा कि भविष्य में इस प्रकार की वस्तु को लेबल न करे। नकारात्मक उदाहरण धुंधले रूप में दिखाई देंगे।

आप उसी राइट-क्लिक मेनू से मौजूदा एनोटेशनों को भी नकारात्मक में बदल सकते हैं।

अतिरिक्त उदाहरण जोड़ें

आपके द्वारा अन्य लेबलों के साथ बनाए गए कोई भी अतिरिक्त एनोटेशन मॉडल को छवि में विभिन्न वस्तुओं के बीच अंतर करने में मदद करेंगे। और अधिक उदाहरण जोड़ने के बाद, आप नए पूर्वानुमान जनरेट करने के लिए "प्रेडिक्ट" पर क्लिक कर सकते हैं।

सर्वोत्तम परिणामों के लिए, अपनी छवियों में प्रत्येक विशिष्ट वस्तु के 1-2 उदाहरण प्रदान करें।

आपको विश्वास बढ़ाने के बजाय विश्वास कम करके और अतिरिक्त पूर्वानुमानों को नकारात्मक में बदलकर पूर्वानुमानों को फाइन-ट्यून करना अधिक आसान लग सकता है।

चरण 4: पूर्वानुमानों को अनुमोदित करें

जब पूर्वानुमान आपको संतोषजनक लगें, तो "पूर्वानुमानों को अनुमोदित करें" पर क्लिक करें। इससे सभी पूर्वानुमान एनोटेशन में बदल जाएंगे, और यदि आप आगे निकलते हैं तो वे सेव हो जाएंगे।

यहाँ से, आप सामान्य रूप से एनोटेशन संपादित और हटाए जा सकते हैं।

पूर्वानुमानों को अनुमोदित करके उन्हें छवि में सेव करें।

चरण 5: अधिक छवियों पर चलाएँ

जैसे-जैसे आप एनोटेट करते हैं, छवियाँ आपके प्रशिक्षण सेट में जोड़ी जाती हैं।

जैसे-जैसे आप छवियों को एनोटेट करते हैं, बॉक्स प्रॉम्प्टिंग किसी भी ऐसी छवि पर प्रशिक्षित होगा जिसमें मनुष्य द्वारा बनाए गए या मनुष्य द्वारा संपादित एनोटेशन हों। (बिना संपादन के अनुमोदित किए गए पूर्वानुमान शामिल नहीं किए जाएंगे.)

इसका मतलब है कि आप एक भी बॉक्स बनाए बिना नई छवियों पर "प्रेडिक्ट" क्लिक कर सकते हैं और फिर भी पूर्वानुमान जनरेट कर सकते हैं! आप टूल मेनू में प्रशिक्षण सेट में शामिल छवियों की संख्या देख सकते हैं।

सर्वोत्तम अभ्यास

प्रत्येक दृश्य रूप से भिन्न वस्तु के लिए एक उदाहरण प्रदान करें।

ऐसी छवियों में जिनमें समान दिखने वाली कई वस्तुएँ हों, प्रत्येक महत्वपूर्ण रंग, आकार या कैमरा कोण भिन्नता के लिए कम से कम एक उदाहरण देना मददगार हो सकता है।

एक ही एनोटेशन सत्र में समान छवियों को एनोटेट करें।

जब आपकी छवियों की सामग्री समान हो, तो बॉक्स प्रॉम्प्टिंग सबसे अच्छा काम करता है, जिससे आप पूर्वानुमान जनरेट करते समय अपने प्रशिक्षण उदाहरणों का जल्दी पुन: उपयोग कर सकते हैं।

त्रुटियों के संचय से बचने के लिए बाउंडिंग बॉक्स को कसकर रखें।

अक्सर, पूर्वानुमानित बाउंडिंग बॉक्स होना चाहिए उससे बड़ा होता है - पृष्ठभूमि के हिस्सों को गलती से शामिल होने से बचाने के लिए उसका आकार घटाएँ।

बॉक्स प्रॉम्प्टिंग फ़ोटोग्राफ़ या स्थिर फ़्रेम पर सबसे अच्छा काम करता है।

हालाँकि हम दस्तावेज़ों या कंप्यूटर ग्राफ़िक्स के लिए पूर्वानुमान प्रदान कर सकते हैं, बॉक्स प्रॉम्प्टिंग तस्वीरों में दोहराई जाने वाली वस्तुओं की पहचान के लिए सबसे अच्छा काम करता है।

सटीकता सुधारने के लिए नकारात्मक उदाहरण प्रदान करें।

यदि आपको लगता है कि किसी विशेष एनोटेशन वर्ग से गलत-सकारात्मक पूर्वानुमान उत्पन्न होते हैं, तो आप राइट-क्लिक करके "निगेटिव में बदलें" चुन सकते हैं ताकि बॉक्स प्रॉम्प्टिंग मॉडल को एक नकारात्मक उदाहरण दिया जा सके।

सीमाएँ

अनुमान लगाते समय बॉक्स प्रॉम्प्टिंग मॉडल को छवियों का आकार कम करना पड़ता है। इसलिए, बड़ी छवि पर छोटे आइटम का पता लगाने की कोशिश करते समय आपको असंतोषजनक परिणाम मिल सकते हैं।

आपको किसी भी आयाम में 1000px या उससे कम वाली छवियों पर सर्वोत्तम परिणाम मिलते हैं, और 2000px+ वाली छवि में छोटे बाउंडिंग बॉक्स (चौड़ाई/ऊँचाई के लगभग ~5% से कम) होने पर आपको एक चेतावनी मिलेगी, जो अच्छी तरह काम नहीं करेंगे

ये सीमाएँ केवल बॉक्स प्रॉम्प्टिंग पर लागू होती हैं। मॉडल प्रशिक्षण के दौरान, आप टाइलिंग को एक प्रीप्रोसेसिंग चरण संस्करण जनरेशन के दौरान लागू कर सकते हैं ताकि प्रशिक्षित मॉडलों के लिए इन प्रभावों को रोका जा सके।