बहुभुज विज़ुअलाइज़ेशन

किसी छवि में पहचानी गई वस्तुओं के चारों ओर एक बहुभुज बनाएं।

v2

पता लगाए गए ऑब्जेक्ट्स के चारों ओर बहुभुज रूपरेखाएँ बनाएं जो ऑब्जेक्ट मास्क के सटीक आकार का अनुसरण करती हैं, जिससे instance segmentation परिणामों के लिए सटीक सीमा दृश्यकरण मिलता है।

यह ब्लॉक कैसे काम करता है

यह ब्लॉक एक छवि और instance segmentation भविष्यवाणियाँ (जिनमें segmentation masks शामिल हैं) लेता है और प्रत्येक पता लगाए गए ऑब्जेक्ट के आकार का सटीक अनुसरण करने वाली बहुभुज रूपरेखाएँ बनाता है। यह ब्लॉक:

1. एक छवि और instance segmentation भविष्यवाणियों को इनपुट के रूप में लेता है (भविष्यवाणियों में mask डेटा शामिल होना चाहिए)

2. segmentation masks को बहुभुज निर्देशांकों में परिवर्तित करता है जो ऑब्जेक्ट सीमाओं का पता लगाते हैं

3. चयनित रंग पैलेट के आधार पर रंग-शैली लागू करता है, जिसमें रंग class, index या track ID के अनुसार असाइन किए जाते हैं

4. PolygonAnnotator का उपयोग करके निर्दिष्ट मोटाई के साथ बहुभुज रूपरेखाएँ बनाता है

5. मूल छवि पर बहुभुज रूपरेखाएँ ओवरले की गई एक एनोटेटेड छवि लौटाता है

यह ब्लॉक प्रत्येक ऑब्जेक्ट के segmentation mask से उसका सटीक आकार निकालता है और ऐसी बहुभुज रूपरेखाएँ बनाता है जो इन सटीक सीमाओं का अनुसरण करती हैं। यह bounding boxes की तुलना में कहीं अधिक सटीक दृश्यकरण प्रदान करता है, क्योंकि polygons उन्हें आयतों में घेरने के बजाय वास्तविक ऑब्जेक्ट आकार के अनुरूप होते हैं। यदि mask डेटा उपलब्ध नहीं है, तो ब्लॉक bounding boxes बनाने पर वापस चला जाता है। बहुभुज रूपरेखाओं को अलग-अलग मोटाई मानों और रंग पैलेट के साथ अनुकूलित किया जा सकता है, जिससे आप विभिन्न ऑब्जेक्ट्स या ऑब्जेक्ट श्रेणियों के बीच स्पष्ट रूप से अंतर कर सकते हैं।

सामान्य उपयोग के मामले

• सटीक ऑब्जेक्ट सीमा दृश्यकरण: सटीक ऑब्जेक्ट आउटलाइन की आवश्यकता वाले अनुप्रयोगों के लिए सेगमेंट किए गए ऑब्जेक्ट्स के सटीक आकार और सीमाओं का दृश्यकरण करें, जैसे मेडिकल इमेजिंग, निर्माण गुणवत्ता नियंत्रण, या सटीक मापन कार्यप्रवाह

• Instance Segmentation मॉडल सत्यापन: बहुभुज भविष्यवाणियाँ ऑब्जेक्ट सीमाओं से कितनी अच्छी तरह मेल खाती हैं, यह दृश्य रूप से देखकर instance segmentation मॉडल के प्रदर्शन की पुष्टि और डीबग करें, segmentation त्रुटियों की पहचान करें, और mask गुणवत्ता को सत्यापित करें

• अनियमित आकार विश्लेषण: अनियमित या गैर-आयताकार आकृतियों वाले ऑब्जेक्ट्स (जैसे लोग, जानवर, जटिल मशीनरी भाग) को दृश्य रूप में देखें, जहाँ bounding boxes गलत या भ्रामक हो सकते हैं

• ओवरलैप होने वाले ऑब्जेक्ट्स का दृश्यकरण: जब कई ऑब्जेक्ट्स एक-दूसरे पर ओवरलैप करते हैं, तब ऑब्जेक्ट सीमाओं को स्पष्ट रूप से दिखाएँ, क्योंकि polygons प्रत्येक ऑब्जेक्ट के आकार को ओवरलैपिंग bounding boxes की अस्पष्टता के बिना सटीक रूप से दर्शाते हैं

• आकार-आधारित गुणवत्ता नियंत्रण: निर्माण, कृषि, या गुणवत्ता आश्वासन कार्यप्रवाहों में ऑब्जेक्ट आकारों और सीमाओं का निरीक्षण करें, जहाँ दोष पहचान या वर्गीकरण के लिए सटीक ऑब्जेक्ट कंटूर महत्वपूर्ण होते हैं

• वैज्ञानिक और मेडिकल इमेजिंग: मेडिकल इमेजिंग, माइक्रोस्कोपी, या वैज्ञानिक विश्लेषण में सेगमेंट किए गए क्षेत्रों का दृश्यकरण करें, जहाँ मापन, विश्लेषण, या निदान के लिए सटीक सीमा प्रस्तुति आवश्यक होती है

अन्य ब्लॉकों से कनेक्ट करना

इस ब्लॉक की एनोटेटेड छवि को इससे जोड़ा जा सकता है:

• अन्य दृश्यकरण ब्लॉक (जैसे, Label Visualization, Mask Visualization, Bounding Box Visualization) ताकि समग्र दृश्यकरण के लिए बहुभुज रूपरेखाओं को अतिरिक्त एनोटेशन के साथ जोड़ा जा सके

• डेटा संग्रहण ब्लॉक (जैसे, Local File Sink, CSV Formatter, Roboflow Dataset Upload) ताकि दस्तावेज़ीकरण, रिपोर्टिंग, या प्रशिक्षण डेटा सत्यापन के लिए बहुभुज रूपरेखाओं वाली एनोटेटेड छवियों को सहेजा जा सके

• Webhook ब्लॉक बहुभुज रूपरेखाओं के साथ दृश्यीकृत परिणामों को बाहरी प्रणालियों, APIs, या वेब अनुप्रयोगों में डैशबोर्ड या विश्लेषण उपकरणों में प्रदर्शित करने के लिए भेजने हेतु

• सूचना ब्लॉक (जैसे, Email Notification, Slack Notification) ताकि अलर्ट या रिपोर्ट में दृश्य प्रमाण के रूप में बहुभुज रूपरेखाओं वाली एनोटेटेड छवियाँ भेजी जा सकें

• वीडियो आउटपुट ब्लॉक लाइव मॉनिटरिंग, ट्रैकिंग, या पोस्ट-प्रोसेसिंग विश्लेषण के लिए बहुभुज रूपरेखाओं के साथ एनोटेटेड वीडियो स्ट्रीम या रिकॉर्डिंग बनाने हेतु

प्रकार पहचानकर्ता

चरण में निम्न पहचानकर्ता का उपयोग करें "type" फ़ील्ड: roboflow_core/polygon_visualization@v2 ब्लॉक को अपने वर्कफ़्लो में एक चरण के रूप में जोड़ने के लिए।

गुण

नाम	प्रकार	विवरण	संदर्भ
name	str	इस चरण के लिए एक अद्वितीय पहचानकर्ता दर्ज करें..	❌
copy_image	bool	दृश्यकरण के लिए इनपुट छवि की एक प्रति बनाने और मूल को सुरक्षित रखने के लिए इस विकल्प को सक्षम करें। जब आप कई दृश्यकरणों को एक साथ जोड़ रहे हों, तब इसका उपयोग करें..	✅
color_palette	str	दृश्यित तत्वों के लिए एक रंग पैलेट चुनें..	✅
palette_size	int	पैलेट में रंगों की संख्या निर्दिष्ट करें। यह कस्टम या Matplotlib पैलेट का उपयोग करते समय लागू होता है..	✅
custom_colors	List[str]	HEX प्रारूप में bounding boxes के लिए कस्टम रंगों की एक सूची परिभाषित करें..	✅
color_axis	str	चुनें कि bounding box के रंग कैसे असाइन किए जाते हैं..	✅
thickness	int	पिक्सेल में बहुभुज रूपरेखा की मोटाई। अधिक मान अधिक मोटी, अधिक स्पष्ट रूपरेखाएँ बनाते हैं..	✅

यह संदर्भ कॉलम, workflow में उपलब्ध गतिशील मानों के साथ प्रॉपर्टी को पैरामीटराइज़ करने की संभावना को चिह्नित करता है वर्कफ़्लो रनटाइम। देखें Bindings अधिक जानकारी के लिए।

इनपुट और आउटपुट बाइंडिंग्स

उपलब्ध कनेक्शन इसके बाइंडिंग प्रकारों पर निर्भर करते हैं। जांचें कि कौन-से बाइंडिंग प्रकार बहुभुज दृश्यकरण संस्करण v2 में है।

इनपुट और आउटपुट बाइंडिंग्स

• इनपुट

  • image (image): जिस छवि पर दृश्यकरण करना है..

  • copy_image (बूलियन): दृश्यकरण के लिए इनपुट छवि की एक प्रति बनाने और मूल को सुरक्षित रखने के लिए इस विकल्प को सक्षम करें। जब आप कई दृश्यकरणों को एक साथ जोड़ रहे हों, तब इसका उपयोग करें..

  • भविष्यवाणियाँ (Union[instance_segmentation_prediction, rle_instance_segmentation_prediction]): mask डेटा वाली instance segmentation भविष्यवाणियाँ। यह ब्लॉक masks को बहुभुज रूपरेखाओं में बदलता है जो प्रत्येक पता लगाए गए ऑब्जेक्ट के सटीक आकार का अनुसरण करती हैं..

  • color_palette (स्ट्रिंग): दृश्यित तत्वों के लिए एक रंग पैलेट चुनें..

  • palette_size (पूर्णांक): पैलेट में रंगों की संख्या निर्दिष्ट करें। यह कस्टम या Matplotlib पैलेट का उपयोग करते समय लागू होता है..

  • custom_colors (मानों की सूची): HEX प्रारूप में bounding boxes के लिए कस्टम रंगों की एक सूची परिभाषित करें..

  • color_axis (स्ट्रिंग): चुनें कि bounding box के रंग कैसे असाइन किए जाते हैं..

  • thickness (पूर्णांक): पिक्सेल में बहुभुज रूपरेखा की मोटाई। अधिक मान अधिक मोटी, अधिक स्पष्ट रूपरेखाएँ बनाते हैं..

• आउटपुट

  • image (image): वर्कफ़्लो में छवि।

उदाहरण JSON परिभाषा

{
	    "name": "<your_step_name_here>",
	    "type": "roboflow_core/polygon_visualization@v2",
	    "image": "$inputs.image",
	    "copy_image": true,
	    "predictions": "$steps.instance_segmentation_model.predictions",
	    "color_palette": "DEFAULT",
	    "palette_size": 10,
	    "custom_colors": [
	        "#FF0000",
	        "#00FF00",
	        "#0000FF"
	    ],
	    "color_axis": "CLASS",
	    "thickness": 2
	}

v1

पता लगाए गए ऑब्जेक्ट्स के चारों ओर बहुभुज रूपरेखाएँ बनाएं जो ऑब्जेक्ट मास्क के सटीक आकार का अनुसरण करती हैं, जिससे instance segmentation परिणामों के लिए सटीक सीमा दृश्यकरण मिलता है।

यह ब्लॉक कैसे काम करता है

यह ब्लॉक एक छवि और instance segmentation भविष्यवाणियाँ (जिनमें segmentation masks शामिल हैं) लेता है और प्रत्येक पता लगाए गए ऑब्जेक्ट के आकार का सटीक अनुसरण करने वाली बहुभुज रूपरेखाएँ बनाता है। यह ब्लॉक:

1. एक छवि और instance segmentation भविष्यवाणियों को इनपुट के रूप में लेता है (भविष्यवाणियों में mask डेटा शामिल होना चाहिए)

2. segmentation masks को बहुभुज निर्देशांकों में परिवर्तित करता है जो ऑब्जेक्ट सीमाओं का पता लगाते हैं

3. चयनित रंग पैलेट के आधार पर रंग-शैली लागू करता है, जिसमें रंग class, index या track ID के अनुसार असाइन किए जाते हैं

4. PolygonAnnotator का उपयोग करके निर्दिष्ट मोटाई के साथ बहुभुज रूपरेखाएँ बनाता है

5. मूल छवि पर बहुभुज रूपरेखाएँ ओवरले की गई एक एनोटेटेड छवि लौटाता है

यह ब्लॉक प्रत्येक ऑब्जेक्ट के segmentation mask से उसका सटीक आकार निकालता है और ऐसी बहुभुज रूपरेखाएँ बनाता है जो इन सटीक सीमाओं का अनुसरण करती हैं। यह bounding boxes की तुलना में कहीं अधिक सटीक दृश्यकरण प्रदान करता है, क्योंकि polygons उन्हें आयतों में घेरने के बजाय वास्तविक ऑब्जेक्ट आकार के अनुरूप होते हैं। यदि mask डेटा उपलब्ध नहीं है, तो ब्लॉक bounding boxes बनाने पर वापस चला जाता है। बहुभुज रूपरेखाओं को अलग-अलग मोटाई मानों और रंग पैलेट के साथ अनुकूलित किया जा सकता है, जिससे आप विभिन्न ऑब्जेक्ट्स या ऑब्जेक्ट श्रेणियों के बीच स्पष्ट रूप से अंतर कर सकते हैं।

सामान्य उपयोग के मामले

• सटीक ऑब्जेक्ट सीमा दृश्यकरण: सटीक ऑब्जेक्ट आउटलाइन की आवश्यकता वाले अनुप्रयोगों के लिए सेगमेंट किए गए ऑब्जेक्ट्स के सटीक आकार और सीमाओं का दृश्यकरण करें, जैसे मेडिकल इमेजिंग, निर्माण गुणवत्ता नियंत्रण, या सटीक मापन कार्यप्रवाह

• Instance Segmentation मॉडल सत्यापन: बहुभुज भविष्यवाणियाँ ऑब्जेक्ट सीमाओं से कितनी अच्छी तरह मेल खाती हैं, यह दृश्य रूप से देखकर instance segmentation मॉडल के प्रदर्शन की पुष्टि और डीबग करें, segmentation त्रुटियों की पहचान करें, और mask गुणवत्ता को सत्यापित करें

• अनियमित आकार विश्लेषण: अनियमित या गैर-आयताकार आकृतियों वाले ऑब्जेक्ट्स (जैसे लोग, जानवर, जटिल मशीनरी भाग) को दृश्य रूप में देखें, जहाँ bounding boxes गलत या भ्रामक हो सकते हैं

• ओवरलैप होने वाले ऑब्जेक्ट्स का दृश्यकरण: जब कई ऑब्जेक्ट्स एक-दूसरे पर ओवरलैप करते हैं, तब ऑब्जेक्ट सीमाओं को स्पष्ट रूप से दिखाएँ, क्योंकि polygons प्रत्येक ऑब्जेक्ट के आकार को ओवरलैपिंग bounding boxes की अस्पष्टता के बिना सटीक रूप से दर्शाते हैं

• आकार-आधारित गुणवत्ता नियंत्रण: निर्माण, कृषि, या गुणवत्ता आश्वासन कार्यप्रवाहों में ऑब्जेक्ट आकारों और सीमाओं का निरीक्षण करें, जहाँ दोष पहचान या वर्गीकरण के लिए सटीक ऑब्जेक्ट कंटूर महत्वपूर्ण होते हैं

• वैज्ञानिक और मेडिकल इमेजिंग: मेडिकल इमेजिंग, माइक्रोस्कोपी, या वैज्ञानिक विश्लेषण में सेगमेंट किए गए क्षेत्रों का दृश्यकरण करें, जहाँ मापन, विश्लेषण, या निदान के लिए सटीक सीमा प्रस्तुति आवश्यक होती है

अन्य ब्लॉकों से कनेक्ट करना

इस ब्लॉक की एनोटेटेड छवि को इससे जोड़ा जा सकता है:

• अन्य दृश्यकरण ब्लॉक (जैसे, Label Visualization, Mask Visualization, Bounding Box Visualization) ताकि समग्र दृश्यकरण के लिए बहुभुज रूपरेखाओं को अतिरिक्त एनोटेशन के साथ जोड़ा जा सके

• डेटा संग्रहण ब्लॉक (जैसे, Local File Sink, CSV Formatter, Roboflow Dataset Upload) ताकि दस्तावेज़ीकरण, रिपोर्टिंग, या प्रशिक्षण डेटा सत्यापन के लिए बहुभुज रूपरेखाओं वाली एनोटेटेड छवियों को सहेजा जा सके

• Webhook ब्लॉक बहुभुज रूपरेखाओं के साथ दृश्यीकृत परिणामों को बाहरी प्रणालियों, APIs, या वेब अनुप्रयोगों में डैशबोर्ड या विश्लेषण उपकरणों में प्रदर्शित करने के लिए भेजने हेतु

• सूचना ब्लॉक (जैसे, Email Notification, Slack Notification) ताकि अलर्ट या रिपोर्ट में दृश्य प्रमाण के रूप में बहुभुज रूपरेखाओं वाली एनोटेटेड छवियाँ भेजी जा सकें

• वीडियो आउटपुट ब्लॉक लाइव मॉनिटरिंग, ट्रैकिंग, या पोस्ट-प्रोसेसिंग विश्लेषण के लिए बहुभुज रूपरेखाओं के साथ एनोटेटेड वीडियो स्ट्रीम या रिकॉर्डिंग बनाने हेतु

प्रकार पहचानकर्ता

चरण में निम्न पहचानकर्ता का उपयोग करें "type" फ़ील्ड: roboflow_core/polygon_visualization@v1 ब्लॉक को अपने वर्कफ़्लो में एक चरण के रूप में जोड़ने के लिए।

गुण

नाम	प्रकार	विवरण	संदर्भ
name	str	इस चरण के लिए एक अद्वितीय पहचानकर्ता दर्ज करें..	❌
copy_image	bool	दृश्यकरण के लिए इनपुट छवि की एक प्रति बनाने और मूल को सुरक्षित रखने के लिए इस विकल्प को सक्षम करें। जब आप कई दृश्यकरणों को एक साथ जोड़ रहे हों, तब इसका उपयोग करें..	✅
color_palette	str	दृश्यित तत्वों के लिए एक रंग पैलेट चुनें..	✅
palette_size	int	पैलेट में रंगों की संख्या निर्दिष्ट करें। यह कस्टम या Matplotlib पैलेट का उपयोग करते समय लागू होता है..	✅
custom_colors	List[str]	HEX प्रारूप में bounding boxes के लिए कस्टम रंगों की एक सूची परिभाषित करें..	✅
color_axis	str	चुनें कि bounding box के रंग कैसे असाइन किए जाते हैं..	✅
thickness	int	पिक्सेल में बहुभुज रूपरेखा की मोटाई। अधिक मान अधिक मोटी, अधिक स्पष्ट रूपरेखाएँ बनाते हैं..	✅

यह संदर्भ कॉलम, workflow में उपलब्ध गतिशील मानों के साथ प्रॉपर्टी को पैरामीटराइज़ करने की संभावना को चिह्नित करता है वर्कफ़्लो रनटाइम। देखें Bindings अधिक जानकारी के लिए।

इनपुट और आउटपुट बाइंडिंग्स

उपलब्ध कनेक्शन इसके बाइंडिंग प्रकारों पर निर्भर करते हैं। जांचें कि कौन-से बाइंडिंग प्रकार बहुभुज दृश्यकरण संस्करण v1 में है।

इनपुट और आउटपुट बाइंडिंग्स

• इनपुट

  • image (image): जिस छवि पर दृश्यकरण करना है..

  • copy_image (बूलियन): दृश्यकरण के लिए इनपुट छवि की एक प्रति बनाने और मूल को सुरक्षित रखने के लिए इस विकल्प को सक्षम करें। जब आप कई दृश्यकरणों को एक साथ जोड़ रहे हों, तब इसका उपयोग करें..

  • भविष्यवाणियाँ (Union[instance_segmentation_prediction, rle_instance_segmentation_prediction]): mask डेटा वाली instance segmentation भविष्यवाणियाँ। यह ब्लॉक masks को बहुभुज रूपरेखाओं में बदलता है जो प्रत्येक पता लगाए गए ऑब्जेक्ट के सटीक आकार का अनुसरण करती हैं..

  • color_palette (स्ट्रिंग): दृश्यित तत्वों के लिए एक रंग पैलेट चुनें..

  • palette_size (पूर्णांक): पैलेट में रंगों की संख्या निर्दिष्ट करें। यह कस्टम या Matplotlib पैलेट का उपयोग करते समय लागू होता है..

  • custom_colors (मानों की सूची): HEX प्रारूप में bounding boxes के लिए कस्टम रंगों की एक सूची परिभाषित करें..

  • color_axis (स्ट्रिंग): चुनें कि bounding box के रंग कैसे असाइन किए जाते हैं..

  • thickness (पूर्णांक): पिक्सेल में बहुभुज रूपरेखा की मोटाई। अधिक मान अधिक मोटी, अधिक स्पष्ट रूपरेखाएँ बनाते हैं..

• आउटपुट

  • image (image): वर्कफ़्लो में छवि।

उदाहरण JSON परिभाषा

{
	    "name": "<your_step_name_here>",
	    "type": "roboflow_core/polygon_visualization@v1",
	    "image": "$inputs.image",
	    "copy_image": true,
	    "predictions": "$steps.instance_segmentation_model.predictions",
	    "color_palette": "DEFAULT",
	    "palette_size": 10,
	    "custom_colors": [
	        "#FF0000",
	        "#00FF00",
	        "#0000FF"
	    ],
	    "color_axis": "CLASS",
	    "thickness": 2
	}