Box Prompting
各例から改善される AI ラベリングツールで画像にアノテーションを付けます。
Box Prompting は 1 つ以上のプロンプトバウンディングボックスを使って、類似オブジェクトの注釈を生成します。各例がモデルをファインチューニングし、画像ごとに改善されます。Box Prompting を使えば、データセット内で複数回出現するオブジェクトの周りにバウンディングボックスを手動で描く時間を何時間も節約できます。
ステップ 1: 各クラスの少なくとも1つの例を注釈する
Box Prompting では、予測を生成するための例として少なくとも1つのバウンディングボックス注釈を作成する必要があります。
ステップ 2: Box Prompting ツールを有効にする
Box Prompting ツールがアクティブになっていることを確認して、魔法が起きるのを見てください！Box Prompting はあなたの注釈に基づいて予測を生成します。予測は注釈を保存または削除するたびに点線で表示されます。
ステップ 3: 予測をファインチューニングする
ここから、次のことができます:
信頼度を調整する
スライダーで信頼度閾値を調整して表示される予測の数を変更します。信頼度が高いほど予測は少なくなります。
ネガティブ例を提供する
誤った予測があった場合、そのボックスを右クリックして「Convert to Negative」を選択できます。これによりモデルは将来この種類のオブジェクトにラベルを付けないように学習します。ネガティブ例は塗りつぶし表示されます。
既存の注釈を同じ右クリックメニューからネガティブに変換することもできます。
追加の例を追加する
他のラベルで作成した追加の注釈は、画像内の異なるオブジェクトをモデルが区別するのに役立ちます。さらに例を追加した後、"Predict" をクリックして新しい予測を生成できます。
最良の結果を得るには、画像内の各ユニークなオブジェクトについて 1〜2 の例を提供してください。
ステップ 4: 予測を承認する
予測が満足できるものになったら、"Approve Predictions" をクリックしてください。これにより全ての予測が注釈に変換され、画像から離れても保存されるようになります。
ここからは、通常どおり注釈の編集や削除ができます。
ステップ 5: より多くの画像で実行する
注釈を行うと、画像はトレーニングセットに追加されます。
画像に注釈を付けると、Box Prompting は人が描いたまたは編集した注釈を含む画像で訓練されます。（編集なしで承認された予測は含まれません。）
つまり、1 つもボックスを描くことなく新しい画像で "Predict" をクリックしても予測を生成できます！ツールメニューでトレーニングセットに含まれる画像数を確認できます。
ベストプラクティス
視覚的に異なる各オブジェクトの例を提供してください。
外観が似た複数のオブジェクトを含む画像では、主要な色、サイズ、カメラ角度の変化ごとに少なくとも1つの例を提供することが役立ちます。
類似した画像は同じ注釈セッションで注釈してください。
Box Prompting は画像の内容が類似しているときに最も効果的で、予測を生成する際にトレーニング例を迅速に再利用できます。
誤差の蓄積を避けるためにバウンディングボックスを厳密にする。
予測されたバウンディングボックスはしばしば大きすぎることがあるため、背景の一部を誤って含めないようにサイズを縮小してください。
Box Prompting は写真や静止フレームで最も効果的です。
ドキュメントやコンピュータグラフィックスに対しても予測を提供できますが、Box Prompting は写真内の繰り返し項目の特定に最適です。
精度を向上させるためにネガティブ例を提供してください。
特定の注釈クラスが誤検出（False Positive）を生む場合、その注釈を右クリックして「Convert to Negative」を選択し、Box Prompting モデルにネガティブ例を提供できます。
制限事項
Box Prompting モデルは推論時に画像を縮小する必要があります。したがって、大きな画像上の小さなアイテムを検出しようとすると満足のいく結果が得られない場合があります。
最適な結果はどちらかの寸法が 1000px 以下の画像で得られます。画像が 2000px 以上で、幅/高さの約 5% 未満の小さなバウンディングボックスがあると、うまく機能しない旨の警告が表示されます。
Last updated
Was this helpful?