# Roboflow Annotate Roboflow Annotate एक तेज़, मजबूत इंटरफ़ेस प्रदान करता है जिसके माध्यम से आप छवियों पर एनोटेट कर सकते हैं। आप बाउंडिंग बॉक्स और बहुभुज (polygons) का उपयोग करके छवियों को एनोटेट कर सकते हैं। ### एनोटेशन विधियाँ आप छवियों को एनोटेट कर सकते हैं: * मैन्युअल रूप से बाउंडिंग बॉक्स/बहुभुज ड्रॉ करके/ * का उपयोग करके [AI Labeling](https://docs.roboflow.com/roboflow/roboflow-hi/annotate/ai-labeling) ### बाउंडिंग बॉक्स बनाम बहुभुज बनाम मास्क बाउंडिंग बॉक्स और बहुभुज ड्रॉ करने के विकल्प के साथ, आप सोच सकते हैं: इन दोनों एनोटेशन प्रकारों में क्या अंतर है? बाउंडिंग बॉक्स -- किसी छवि में रुचि के ऑब्जेक्ट के चारों ओर खींचे गए बॉक्स -- बहुभुजों की तुलना में ड्रॉ करने में आसान होते हैं, इसलिए कम एनोटेशन समय लेते हैं। दूसरी ओर बहुभुज अधिक सटीक होते हैं, और प्रदर्शन में थोड़ा सुधार कर सकते हैं। सेगमेंटेशन कार्यों के लिए, आपको बहुभुज या मास्क का उपयोग करना होगा, क्योंकि आप अपने मॉडल को छवि से विशिष्ट वस्तुओं को सटीकता के साथ सेगमेंट करने के लिए प्रशिक्षित कर रहे हैं। जटिल सीमाओं के लिए पिक्सेल-परफेक्ट नियंत्रण की आवश्यकता होने पर मास्क सबसे उच्च निष्ठा प्रदान करते हैं। Roboflow दस्तावेज़ का यह अनुभाग ऊपर दिए गए प्रत्येक विधि का उपयोग करके छवियों को एनोटेट करने का तरीका दिखाता है। ### प्रोजेक्ट प्रकार और एनोटेशन विभिन्न मॉडल प्रकारों के लिए विशिष्ट एनोटेशन फ़ॉर्मेट की आवश्यकता होती है। नीचे दी गई तालिका दिखाती है कि कौन से एनोटेशन प्रत्येक प्रोजेक्ट प्रकार के साथ संगत हैं। संभव होने पर, Roboflow आवश्यक फ़ॉर्मेट में एनोटेशन को स्वचालित रूप से बदल देता है (उदा., ऑब्जेक्ट डिटेक्शन के लिए बहुभुजों को बाउंडिंग बॉक्स में)। | प्रोजेक्ट प्रकार | समर्थित एनोटेशन | | --------------------------------- | ------------------------------- | | ऑब्जेक्ट डिटेक्शन | बाउंडिंग बॉक्स, बहुभुज, मास्क\* | | इंस्टेंस सेगमेंटेशन | बहुभुज, मास्क | | सामान्यीकृत (सेमांटिक) सेगमेंटेशन | बहुभुज, मास्क | | कीपॉइंट डिटेक्शन | कीपॉइंट्स (स्केलेटन) | | क्लासीफिकेशन | कोई नहीं (केवल इमेज-लेवल लेबल) | *\*बहुभुज और मास्क स्वचालित रूप से बाउंडिंग बॉक्स में परिवर्तित कर दिए जाते हैं।*\
**मुख्य अंतर** * इंस्टेंस बनाम सेमांटिक सेगमेंटेशन: इंस्टेंस अलग-अलग वस्तुओं को अलग करता है; सेमांटिक एक ही क्लास की सभी वस्तुओं को एक इकाई के रूप में मानता है। * सिंगल बनाम मल्टी-लेबल क्लासीफिकेशन: सिंगल प्रत्येक छवि को एक क्लास सौंपता है; मल्टी-लेबल प्रत्येक छवि को एक से अधिक क्लास की अनुमति देता है।