> For the complete documentation index, see [llms.txt](https://docs.roboflow.com/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://docs.roboflow.com/roboflow/roboflow-hi/annotate/ai-labeling/box-prompting-ai-labeling.md). # Box Prompting {% hint style="info" %} Box Prompting कई में से एक है [AI Labeling](/roboflow/roboflow-hi/annotate/ai-labeling.md) features. इस feature का उपयोग करने से खर्च होंगे [क्रेडिट्स](/roboflow/roboflow-hi/billing/credits.md) हमारी सूचीबद्ध दरों पर [credits page](https://roboflow.com/credits). {% endhint %} {% embed url="" %} annotation toolbar में Box Prompting को सक्रिय करें। {% endembed %} Box Prompting समान objects के लिए annotations generate करने हेतु एक (या अधिक) prompt bounding boxes लेता है। हर example एक model को fine-tune करता है, जो हर image के साथ बेहतर होता जाता है। Box Prompting के साथ, आप dataset में कई बार दिखाई देने वाले objects के चारों ओर bounding boxes manually बनाकर घंटों का समय बचाते हैं। ### चरण 1: प्रत्येक class का कम से कम एक example annotate करें Box prompting के लिए आपको predictions generate करने के उदाहरण के रूप में देने हेतु कम से कम एक bounding box annotation बनाना आवश्यक है। ### चरण 2: Box Prompting tool सक्रिय करें सुनिश्चित करें कि जादू होते देखने के लिए Box Prompting tool सक्रिय है! Box Prompting आपकी annotations के आधार पर predictions generate करेगा। जब भी आप किसी annotation को save या delete करेंगे, predictions dotted lines के साथ दिखाई देंगे। {% hint style="info" %} Predictions annotations नहीं हैं और image से बाहर जाने पर save नहीं की जाएँगी। अपनी predictions कैसे save करनी हैं, इसके लिए चरण 4 देखें। {% endhint %} ### चरण 3: अपनी predictions को fine-tune करें यहाँ से, आप: #### **confidence समायोजित करें** दिखाई जाने वाली predictions की संख्या समायोजित करने के लिए slider का उपयोग करके confidence threshold समायोजित करें। अधिक confidence का मतलब कम predictions है।

confidence threshold बदलकर प्रदर्शित predictions की संख्या समायोजित करें।

#### Negative examples प्रदान करें यदि कोई गलत prediction हो, तो आप box पर right click करके "Convert to Negative" चुन सकते हैं। इससे model को भविष्य में इस प्रकार के object को label न करने में मदद मिलेगी। Negative examples छायांकित रूप में दिखाई देंगे। आप same right click menu के माध्यम से मौजूदा annotations को भी negative में convert कर सकते हैं।

गलत predictions पर right click करें और Convert to Negative एक negative prompt प्रदान करने के लिए।

#### अतिरिक्त examples जोड़ें आपकी किसी भी अन्य label वाली अतिरिक्त annotations model को image में अलग-अलग objects के बीच अंतर करने में मदद करेंगी। और examples जोड़ने के बाद, आप नई predictions generate करने के लिए "Predict" पर click कर सकते हैं। सर्वोत्तम परिणामों के लिए, अपनी images में हर unique object के 1-2 examples प्रदान करें। {% hint style="info" %} यदि confidence को उच्च सेट करने के बजाय confidence कम करके और अतिरिक्त predictions को negative में convert करके predictions को fine-tune करना आसान लगे, तो आप ऐसा कर सकते हैं। {% endhint %} ### चरण 4: predictions को approve करें जब predictions आपकी पसंद के अनुसार हों, "Approve Predictions" पर click करें। इससे सभी predictions annotations में convert हो जाएँगी, और यह सुनिश्चित होगा कि आप image से बाहर जाने पर वे save हो जाएँ। यहाँ से, आप सामान्य रूप से annotations को edit और delete कर सकते हैं।

उन्हें image में save करने के लिए predictions को approve करें।

### चरण 5: और images पर चलाएँ #### जैसे-जैसे आप annotate करते हैं, images आपके training set में जोड़ दी जाती हैं। जैसे-जैसे आप images annotate करते हैं, Box Prompting को उन सभी images पर train किया जाएगा जिनमें human-drawn या human-edited annotations हैं। (बिना edits के approve की गई predictions शामिल नहीं की जाएँगी.) इसका मतलब है कि आप नई images पर एक भी box बनाए बिना "Predict" पर click कर सकते हैं और फिर भी predictions generate कर सकते हैं! आप tool menu में training set में शामिल images की संख्या देख सकते हैं। ## सर्वोत्तम अभ्यास #### हर visually distinct object के लिए एक example प्रदान करें। जिन images में समान दिखने वाले कई objects हों, वहाँ हर महत्वपूर्ण color, size, या camera angle variation के लिए कम से कम एक example देना मददगार हो सकता है। #### समान images को एक ही annotation session में annotate करें। जब आपकी images में समान content हो, तब Box prompting सबसे अच्छा काम करता है, जिससे predictions generate करते समय आप अपने training examples को जल्दी reuse कर सकते हैं। #### त्रुटियाँ जमा होने से बचाने के लिए bounding boxes को कसा हुआ रखें। अक्सर, predicted bounding box जितना होना चाहिए उससे बड़ा होता है - background के हिस्सों को गलती से शामिल होने से बचाने के लिए आकार कम करें। #### Box Prompting photographs या still frames पर सबसे अच्छा काम करता है। हालाँकि हम documents या computer graphics के लिए predictions दे सकते हैं, Box Prompting photos में repetitive items की पहचान करने के लिए सबसे अच्छा काम करता है। #### सटीकता सुधारने के लिए negative examples प्रदान करें। यदि आपको किसी विशेष annotation class से false positive predictions मिलती हैं, तो आप right click करके "Convert to Negative" चुन सकते हैं ताकि Box Prompting model को एक negative example दिया जा सके। ### सीमाएँ Inference के दौरान Box Prompting model को images का downscale करना पड़ता है। इसलिए, बड़ी image पर छोटे items detect करने की कोशिश करते समय आपको असंतोषजनक परिणाम मिल सकते हैं। आपको दोनों में से किसी भी dimension में 1000px या उससे कम वाली images से optimal results मिलते हैं, और जब image 2000px+ हो तथा छोटे bounding boxes (width/height के लगभग \~5% से कम) हों, तो आपको एक warning मिलेगी कि यह अच्छी तरह काम नहीं करेगा {% hint style="info" %} ये सीमाएँ केवल Box Prompting पर लागू होती हैं। Model training के दौरान, आप Tiling को एक [preprocessing step](/roboflow/roboflow-hi/datasets/dataset-versions/image-preprocessing.md) trained models के लिए इन प्रभावों को रोकने हेतु version generation के दौरान। {% endhint %}