ボックスプロンプト
例を重ねるごとに改善される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アノテーションを生成します。各例はモデルをファインチューニングし、画像ごとに精度が向上します。Box Promptingを使えば、データセット内で複数回現れるオブジェクトのバウンディングボックスを手作業で描く時間を大幅に節約できます。
ステップ1：各クラスの例を少なくとも1つアノテーションする
Box promptingを使うには、予測生成の例として少なくとも1つのバウンディングボックスアノテーション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ツールが有効になっていることを確認して、マジックを体験しましょう！Box Promptingはあなたのアノテーションに基づいて予測を生成します。予測は、アノテーション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
ここからできること：
信頼度を調整する
スライダーを使って信頼度のしきい値を調整し、表示される予測の数を調整します。信頼度が高いほど予測数は少なくなります。
ネガティブ例を提供する
誤った予測があった場合、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、今後このタイプのオブジェクトをラベル付けしないようモデルに教えます。ネガティブ例は色付きで表示されます。
既存のアノテーションも同じ右クリックメニューからネガティブに変換できます。
追加の例を追加する
他のラベルで作成した追加のアノテーションは、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。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、各ユニークなオブジェクトの例を1～2つ提供してください。
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」をクリックします。これにより、すべての予測がアノテーションに変換され、移動しても保存されます。
ここからは、通常通りアノテーションの編集や削除ができます。
ステップ5：さらに多くの画像で実行する
アノテーションを行うと、画像がトレーニングセットに追加されます。
画像にアノテーションを付けると、Box Promptingは人が描いた、または編集したアノテーションがある画像でトレーニングされます。（編集せずに承認された予測は含まれません。）
つまり、新しい画像でボックスを描かなくても「Predict」をクリックして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
見た目が異なる各オブジェクトの例を提供してください。
見た目が似ているオブジェクトが複数ある画像では、主要な色、サイズ、カメラアングルごとに少なくとも1つ例を提供すると効果的です。
類似した画像は同じアノテーションセッションでアノテーションしてください。
Box promptingは、画像の内容が似ている場合に最も効果的で、トレーニング例を素早く再利用しながら予測を生成できます。
バウンディングボックスをきつくして誤差の蓄積を防ぎましょう。
予測されたバウンディングボックスはしばしば実際より大きくなりがちです。背景の一部を誤って含めないようサイズを縮小してください。
Box Promptingは写真や静止画で最も効果を発揮します。
ドキュメントやコンピュータグラフィックスにも予測を提供できますが、Box Promptingは写真内の繰り返しアイテムの識別に最適です。
精度向上のためにネガティブ例を提供してください。
特定のアノテーションクラスで誤検出が多い場合、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ダウンスケールする必要があります。そのため、大きな画像で小さなアイテムを検出しようとすると満足できない結果になる場合があります。
どちらかの辺が1000px以下の画像で最適な結果が得られます。2000px以上でバウンディングボックスが小さい（幅/高さの約5%未満）場合は、うまく動作しない旨の警告が表示されます。
Last updated
Was this helpful?