> 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 पर खर्च होंगे [credits](/roboflow/roboflow-hi/billing/credits.md) हमारी credits page पर सूचीबद्ध दरों पर [credits पेज](https://roboflow.com/credits).
{% endhint %}

{% embed url="<https://www.youtube.com/watch?v=qvDRO8fRzhg>" %}
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 हाथ से बनाने में घंटों समय बचाते हैं।

### Step 1: हर class का कम से कम एक example annotate करें

Box prompting के लिए आपको predictions generate करने के लिए example के रूप में देने हेतु कम से कम एक bounding box annotation बनाना आवश्यक है।

### Step 2: Box Prompting tool को सक्रिय करें

जादू होते देखने के लिए सुनिश्चित करें कि Box Prompting tool active है! Box Prompting आपकी annotations के आधार पर predictions generate करेगा। जब भी आप कोई annotation save या delete करेंगे, predictions dotted lines के साथ दिखाई देंगी।

{% hint style="info" %}
Predictions annotations नहीं हैं और image से बाहर जाने पर save नहीं होंगी। अपने predictions को save करने के लिए Step 4 देखें।
{% endhint %}

### Step 3: अपने 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 बदलें। Higher confidence का मतलब कम predictions।

<figure><img src="/files/ad5c5b9533d973b7caffe7d4f40088b44337a8c0" alt=""><figcaption><p>confidence threshold बदलकर दिखाई जाने वाली predictions की संख्या समायोजित करें।</p></figcaption></figure>

#### negative examples दें

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 shaded रूप में दिखाई देंगी।

आप उसी right click menu के माध्यम से existing annotations को भी negative में बदल सकते हैं।

<figure><img src="/files/2704507839a7535972e169b89a2f8c89e4e3f15c" alt=""><figcaption><p>गलत predictions पर right click करें और <strong>Convert to Negative</strong> ताकि एक negative prompt दिया जा सके।</p></figcaption></figure>

#### अतिरिक्त examples जोड़ें

आपके द्वारा अन्य labels के साथ बनाई गई कोई भी अतिरिक्त annotation model को image में अलग-अलग objects के बीच अंतर करने में मदद करेगी। और examples जोड़ने के बाद, आप नई predictions generate करने के लिए "Predict" पर क्लिक कर सकते हैं।

सर्वोत्तम परिणामों के लिए, अपनी images में मौजूद हर unique object के 1-2 examples दें।

{% hint style="info" %}
आपको confidence को high रखने की बजाय उसे कम करके और अतिरिक्त predictions को negative में बदलकर predictions को fine-tune करना अधिक आसान लग सकता है।
{% endhint %}

### Step 4: predictions को Approve करें

जब predictions आपकी पसंद के अनुसार हों, तो "Approve Predictions" पर क्लिक करें। इससे सभी predictions annotations में बदल जाएँगी, और यदि आप बाहर जाएँ तो वे save हो जाएँगी।

यहाँ से, आप सामान्य रूप से annotations को edit और delete कर सकते हैं।

<figure><img src="/files/0252e86626f0ba53400e92c9634c8f2a1ba34181" alt=""><figcaption><p>predictions को image में save करने के लिए उन्हें Approve करें।</p></figcaption></figure>

### Step 5: और images पर चलाएँ

#### जैसे-जैसे आप annotate करते हैं, images आपके training set में जुड़ती जाती हैं।

जैसे-जैसे आप images को annotate करते हैं, Box Prompting उन सभी images पर trained होगा जिनमें human-drawn या human-edited annotations होंगी। (जो predictions बिना किसी edit के approve की गई होंगी, वे शामिल नहीं होंगी।)

इसका मतलब है कि आप नई images पर एक भी box बनाए बिना "Predict" पर क्लिक 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 दृष्टिगत रूप से अलग object के लिए एक example दें।

जिन images में समान दिखने वाले कई objects हों, उनमें हर महत्वपूर्ण color, size, या camera angle variation के लिए कम से कम एक example देना उपयोगी हो सकता है।

#### समान images को एक ही annotation session में annotate करें।

जब आपकी images की सामग्री समान हो, तब Box prompting सबसे अच्छा काम करता है, जिससे predictions generate करते समय आप अपने training examples को जल्दी से reuse कर सकते हैं।

#### त्रुटियाँ जमा होने से बचाने के लिए bounding boxes को कसें।

अक्सर, predicted bounding box जितना होना चाहिए उससे बड़ा होता है - background के हिस्सों को गलती से शामिल करने से बचने के लिए उसका size 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 दोहराए जाने वाले items की पहचान करने के लिए सबसे अच्छा काम करता है।

#### accuracy सुधारने के लिए negative examples दें।

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

Box Prompting model को inferring के समय images का downscale करना पड़ता है। इसलिए, बड़ी image में छोटे items detect करने की कोशिश करते समय आपको असंतोषजनक परिणाम मिल सकते हैं।

आपको दोनों में से किसी भी dimension में 1000px या कम वाली images के साथ सर्वोत्तम परिणाम मिलते हैं, और जब image 2000px+ हो तथा छोटे bounding boxes (चौड़ाई/ऊँचाई के \~5% से कम) हों जो अच्छी तरह काम नहीं करेंगे, तब आपको warning मिलेगी

{% 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) version generation के दौरान लागू कर सकते हैं ताकि trained models के लिए इन प्रभावों को रोका जा सके।
{% endhint %}


---

# Agent Instructions
This documentation is published with GitBook. GitBook is the documentation platform designed so that both humans and AI agents can read, navigate, and reason over technical content effectively. Learn more at gitbook.com.

## Querying This Documentation
If you need additional information that is not directly available in this page, you can query the documentation dynamically by asking a question.

Perform an HTTP GET request on the current page URL with the `ask` query parameter, and the optional `goal` query parameter:

```
GET https://docs.roboflow.com/roboflow/roboflow-hi/annotate/ai-labeling/box-prompting-ai-labeling.md?ask=<question>&goal=<endgoal>
```

`ask` is the immediate question: it should be specific, self-contained, and written in natural language.
`goal` is optional and describes the broader end goal you are ultimately trying to accomplish on behalf of the user. GitBook uses it to tailor the answer towards what is most useful for that goal.

The response will contain a direct answer to the question and relevant excerpts and sources from the documentation.

Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.