# Box Prompting {% hint style="info" %} Box Prompting कई में से एक है [AI Labeling](/roboflow/roboflow-hi/annotate/ai-labeling.md) फीचर्स में से एक है। इस फीचर का उपयोग करने से [credits](/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 जनरेट करने हेतु एक (या अधिक) prompt bounding boxes लेता है। हर उदाहरण 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 manually bounding boxes draw करने में लगने वाले घंटों की बचत करते हैं। ### Step 1: प्रत्येक class का कम से कम एक example annotate करें Box prompting के लिए आपको predictions जनरेट करने के लिए example के रूप में प्रदान करने हेतु कम से कम एक bounding box annotation बनाना आवश्यक है। ### Step 2: Box Prompting tool को सक्रिय करें मेक पक्का करें कि Box Prompting tool active है ताकि magic होते हुए देख सकें! Box Prompting आपके annotations के आधार पर predictions जनरेट 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। अपनी predictions को कैसे save करना है, इसके लिए Step 4 देखें। {% endhint %} ### Step 3: अपनी predictions को fine-tune करें यहाँ से, आप कर सकते हैं: #### **confidence समायोजित करें** दिखाई गई predictions की संख्या समायोजित करने के लिए slider का उपयोग करके confidence threshold adjust करें। अधिक confidence का मतलब कम predictions होता है।

confidence threshold बदलकर दिखाई गई predictions की संख्या adjust करें।

#### negative examples प्रदान करें यदि कोई गलत prediction होती है, 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 की सीख मिलेगी। Negative examples shaded रूप में दिखाई देंगे। आप उसी 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 चुनकर एक negative prompt प्रदान करें।

#### अतिरिक्त examples जोड़ें अन्य labels के साथ आप जो भी अतिरिक्त annotations बनाते हैं, वे model को image में अलग-अलग objects के बीच अंतर करने में मदद करेंगे। और examples जोड़ने के बाद, आप नई predictions जनरेट करने के लिए "Predict" पर click कर सकते हैं। बेहतर results के लिए, अपनी images में हर unique object के 1-2 examples प्रदान करें। {% hint style="info" %} आपको confidence को high सेट करने के बजाय confidence कम करके और excess predictions को negative में convert करके predictions को fine-tune करना आसान लग सकता है। {% endhint %} ### Step 4: predictions approve करें एक बार predictions आपकी पसंद के अनुसार हों, "Approve Predictions" पर click करें। इससे सभी predictions annotations में convert हो जाएँगी, और यह सुनिश्चित होगा कि यदि आप कहीं और navigate करें तो वे save हो जाएँगी। यहाँ से, आप सामान्य तरह से annotations को edit और delete कर सकते हैं।

उन्हें image में save करने के लिए predictions approve करें।

### Step 5: अधिक 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 उन images पर trained होगा जिनमें human-drawn या human-edited annotations हैं। (जो predictions बिना edits के approve की गई हैं, उन्हें शामिल नहीं किया जाएगा.) इसका मतलब है कि आप एक भी box draw किए बिना नई images पर "Predict" click कर सकते हैं और फिर भी predictions जनरेट कर सकते हैं! आप tool menu में training set में शामिल images की संख्या देख सकते हैं। ## Best Practices #### हर visually distinct object के लिए एक example प्रदान करें। ऐसी images पर जिनमें समान दिखने वाले कई objects हों, 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। Box prompting तब सबसे अच्छा काम करता है जब आपकी images का content समान हो, जिससे predictions जनरेट करते समय आप अपने training examples को जल्दी से reuse कर सकें। #### errors जमा होने से बचाने के लिए bounding boxes को tight करें। अक्सर, predicted bounding box जितना होना चाहिए उससे बड़ा होता है - background के हिस्सों को गलती से शामिल होने से बचाने के लिए 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 repetitive items की पहचान के लिए सबसे अच्छा काम करता है। #### accuracy 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 negative example प्रदान किया जा सके। ### Limitations Box Prompting model को infer करते समय images को downscale करना पड़ता है। इसलिए, बड़ी image पर छोटे items का पता लगाने की कोशिश करते समय आपको असंतोषजनक results मिल सकते हैं। आपको 1000px या उससे कम किसी भी dimension वाली images पर optimal results मिलते हैं, और 2000px+ image के साथ छोटे bounding boxes (width/height के लगभग 5% से कम) होने पर आपको warning मिलेगी, जो अच्छी तरह काम नहीं करेंगे {% hint style="info" %} ये limitations केवल Box Prompting पर लागू होती हैं। model training के दौरान, आप इन प्रभावों को trained models के लिए रोकने हेतु version generation के दौरान Tiling को एक [preprocessing step](/roboflow/roboflow-hi/datasets/dataset-versions/image-preprocessing.md) के रूप में लागू कर सकते हैं। {% endhint %} --- # Agent Instructions: 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: ``` GET https://docs.roboflow.com/roboflow/roboflow-hi/annotate/ai-labeling/box-prompting-ai-labeling.md?ask= ``` The question should be specific, self-contained, and written in natural language. 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.