बॉक्स प्रॉम्प्टिंग
हमारे एआई लेबलिंग टूल के साथ छवियों को एनोटेट करें जो हर उदाहरण के साथ बेहतर होता है।
बॉक्स प्रॉम्प्टिंग एक (या अधिक) प्रॉम्प्ट बाउंडिंग बॉक्स लेता है ताकि समान वस्तुओं के लिए एनोटेशन जनरेट किए जा सकें। प्रत्येक उदाहरण एक मॉडल को फाइन-ट्यून करता है जो हर इमेज के साथ बेहतर होता जाता है। बॉक्स प्रॉम्प्टिंग के साथ, आप उन वस्तुओं के चारों ओर मैन्युअली बाउंडिंग बॉक्स बनाने में लगने वाले घंटों की बचत करते हैं जो किसी डेटासेट में कई बार दिखाई देती हैं।
चरण 1: प्रत्येक श्रेणी का कम से कम एक उदाहरण एनोटेट करें
बॉक्स प्रॉम्प्टिंग के लिए आपको भविष्यवाणियों के लिए एक उदाहरण के रूप में कम से कम एक बाउंडिंग बॉक्स एनोटेशन बनाना आवश्यक है।
चरण 2: बॉक्स प्रॉम्प्टिंग टूल को सक्रिय करें
सुनिश्चित करें कि बॉक्स प्रॉम्प्टिंग टूल सक्रिय है ताकि जादू देख सकें! बॉक्स प्रॉम्प्टिंग आपकी एनोटेशन के आधार पर भविष्यवाणियां जनरेट करेगा। भविष्यवाणियां डॉटेड लाइनों के साथ दिखाई देंगी जब भी आप कोई एनोटेशन सेव या डिलीट करेंगे।
चरण 3: अपनी भविष्यवाणियों को फाइन-ट्यून करें
यहां से, आप कर सकते हैं:
विश्वास स्तर समायोजित करें
स्लाइडर का उपयोग करके कॉन्फिडेंस थ्रेशोल्ड को समायोजित करें ताकि प्रदर्शित भविष्यवाणियों की संख्या बदली जा सके। अधिक कॉन्फिडेंस का अर्थ है कम भविष्यवाणियां।

नकारात्मक उदाहरण प्रदान करें
यदि कोई गलत भविष्यवाणी होती है, तो आप बॉक्स पर राइट क्लिक करके "नकारात्मक में बदलें" चुन सकते हैं। इससे मॉडल को भविष्य में इस प्रकार की वस्तु को लेबल न करने की शिक्षा मिलेगी। नकारात्मक उदाहरण छायांकित रूप में दिखाई देंगे।
आप मौजूदा एनोटेशन को भी उसी राइट क्लिक मेनू के माध्यम से नकारात्मक में बदल सकते हैं।

अतिरिक्त उदाहरण जोड़ें
आपके द्वारा अन्य लेबल के साथ बनाए गए कोई भी अतिरिक्त एनोटेशन मॉडल को इमेज में विभिन्न वस्तुओं के बीच अंतर करने में मदद करेंगे। अधिक उदाहरण जोड़ने के बाद, आप "भविष्यवाणी करें" पर क्लिक करके नई भविष्यवाणियां जनरेट कर सकते हैं।
सर्वश्रेष्ठ परिणामों के लिए, अपनी इमेज में प्रत्येक अद्वितीय वस्तु के 1-2 उदाहरण दें।
चरण 4: भविष्यवाणियों को स्वीकृत करें
एक बार जब भविष्यवाणियां आपकी पसंद के अनुसार हों, तो "भविष्यवाणियों को स्वीकृत करें" पर क्लिक करें। इससे सभी भविष्यवाणियां एनोटेशन में बदल जाएंगी, और यदि आप बाहर जाएंगे तो वे सेव हो जाएंगी।
यहां से, आप सामान्य रूप से एनोटेशन संपादित और हटाने कर सकते हैं।

चरण 5: और इमेज पर चलाएं
जैसे-जैसे आप एनोटेट करते हैं, इमेज आपके प्रशिक्षण सेट में जुड़ती जाती हैं।
जैसे-जैसे आप इमेज एनोटेट करते हैं, बॉक्स प्रॉम्प्टिंग उन इमेज पर प्रशिक्षित होगा जिनमें मानव द्वारा बनाए या संपादित एनोटेशन हैं। (जो भविष्यवाणियां बिना संपादन के स्वीकृत होती हैं, वे शामिल नहीं होंगी।)
इसका अर्थ है कि आप नई इमेज पर "भविष्यवाणी करें" पर क्लिक कर सकते हैं बिना एक भी बॉक्स बनाए और फिर भी भविष्यवाणियां जनरेट कर सकते हैं! आप टूल मेनू में प्रशिक्षण सेट में शामिल इमेज की संख्या देख सकते हैं।
सर्वोत्तम अभ्यास
प्रत्येक दृश्य रूप से भिन्न वस्तु के लिए एक उदाहरण दें।
उन इमेज पर जिनमें कई समान दिखने वाली वस्तुएं हैं, प्रत्येक महत्वपूर्ण रंग, आकार या कैमरा एंगल विविधता के लिए कम से कम एक उदाहरण देना सहायक हो सकता है।
समान इमेज को एक ही एनोटेशन सत्र में एनोटेट करें।
बॉक्स प्रॉम्प्टिंग तब सबसे अच्छा काम करता है जब आपकी इमेज में समान सामग्री होती है, जिससे आप अपने प्रशिक्षण उदाहरणों का पुनः उपयोग करते हुए जल्दी भविष्यवाणियां जनरेट कर सकते हैं।
त्रुटियों के संचय से बचने के लिए बाउंडिंग बॉक्स को टाइट करें।
अक्सर, अनुमानित बाउंडिंग बॉक्स जितना होना चाहिए उससे बड़ा होता है - पृष्ठभूमि के हिस्सों को गलती से शामिल करने से बचने के लिए आकार कम करें।
बॉक्स प्रॉम्प्टिंग फोटोग्राफ या स्थिर फ्रेम पर सबसे अच्छा काम करता है।
हालांकि हम दस्तावेज़ों या कंप्यूटर ग्राफिक्स के लिए भी भविष्यवाणियां प्रदान कर सकते हैं, बॉक्स प्रॉम्प्टिंग फोटो में दोहराए जाने वाली वस्तुओं की पहचान के लिए सबसे अच्छा काम करता है।
सटीकता बढ़ाने के लिए नकारात्मक उदाहरण दें।
यदि आप देखते हैं कि कोई विशेष एनोटेशन श्रेणी गलत सकारात्मक भविष्यवाणियां देती है, तो आप राइट क्लिक करके "नकारात्मक में बदलें" चुन सकते हैं ताकि बॉक्स प्रॉम्प्टिंग मॉडल को नकारात्मक उदाहरण दिया जा सके।
सीमाएँ
बॉक्स प्रॉम्प्टिंग मॉडल को अनुमान लगाते समय इमेज को डाउनस्केल करना पड़ता है। इसलिए, जब आप बड़ी इमेज पर छोटे आइटम का पता लगाने की कोशिश करते हैं तो आपको असंतोषजनक परिणाम मिल सकते हैं।
आपको इष्टतम परिणाम तब मिलते हैं जब इमेज का कोई भी आयाम 1000px या उससे कम हो, और आपको चेतावनी मिलेगी जब इमेज 2000px+ हो और छोटे बाउंडिंग बॉक्स (चौड़ाई/ऊंचाई का ~5% से कम) हों, जो अच्छी तरह से काम नहीं करेंगे
Last updated
Was this helpful?