Annotation Penceresi Temelleri

Nesne Tespiti İçin Veri Etiketleme

İlk Bakış

Bilgisayarınızda bir Nvidia GPU bulunmalı, CUDA, CUDNN kurulmuş olmalı ve Module Downloader Window üzerinden AI bundle yüklenmiş olmalıdır.

AugeLab Studio Image Annotation Window, kullanıcıların görüntülerdeki ilgi nesnelerinin etrafına bounding box çizerek bunları belirli sınıflarla ilişkilendirmesine olanak tanır.

Başlarken

Image Annotation Window'u açmak için üst menüden AI Tools ➡️ Image Annotation seçeneğine gidin.

Görüntü etiketlemesi için iki şeye ihtiyacınız vardır:

1. classes.names dosyası

2. Dataset (görüntü klasörü)

Sınıf Dosyası

Verilerinizi etiketlemek için önce classes.names adlı bir dosyaya ihtiyacınız vardır; bu, normalde .names uzantılı düz bir metin dosyasıdır. Tipik bir sınıf dosyası örneği şöyle görünür:

Human
Dog
Cat
Cup

Böyle bir dosyanız yoksa, Classes bölümünü kullanarak kendi dosyanızı oluşturabilirsiniz:

Kendi classes dosyanızı oluşturmak için:

1. Bir sınıf adı yazın

2. + ile sınıfı ekleyin.

3. Save Classes (üçüncü düğme) üzerine tıklayın ve klasör seçmeye hazır olun.

İstenmeyen sınıfları kaldırmak için - düğmesini kullanabilirsiniz.

Görüntü Klasörü Yükleme

Dataset yolunuzda İngilizce olmayan karakterlerin bulunmadığından emin olun.

Ekranın üstündeki Open Folder düğmesine tıklayın ve tüm görüntülerinizi içeren klasörü seçin:

Open Foldera tıkladıktan sonra bir diyalog penceresi açılacak ve sizden klasör ile bir sınıf dosyası seçmeniz istenecektir:

Select Image from List: Görüntü klasörü yüklendikten sonra, kullanılabilir görüntülerin bir listesi gösterilir. Etiketlemek istediğiniz görüntüye tıklayın.

Görüntüleri Etiketleme

Görüntü etiketleme çok basittir. Etiketlemek istediğiniz nesnenin sol üst köşesine tıklayın, fareyi sürükleyin ve işlemi bitirdiğinizde bırakın!

Annotation Window

Bounding box'lar nesnenin etrafını sıkıca sarmalı, çok fazla arka plan içermemelidir. Bu, modelin nesnenin ilgili özelliklerine odaklanmasına yardımcı olur.

Bad Annotation

Good Annotation

Dataset Panelini Kullanma

Dataset panelinde şu özellikler bulunur:

1. Filter fonksiyonu ile görüntüleri sınıflara göre filtreleyebilirsiniz:

   • All Etiketli ve etiketsiz tüm görüntüler

   • Annotated Etiketlenmiş görüntüler

   • Empty Etiketi olmayan görüntüler; yine de eğitime dahil edilir. Etiketlenmemiş nesneler eğitimi olumsuz etkileyebilir.

   • Excluded Etiket dosyası olmayan görüntüler; eğitim üzerinde hiçbir etkileri yoktur.

2. Search fonksiyonu ile görüntü isimlerine göre filtreleme yapabilirsiniz.

Video Etiketleme

Pencerenin üst kısmındaki Video modu ile video dosyalarını da etiketleyebilirsiniz:

Video moduna geçmek sizden bir dosya yolu isteyecektir. Video seçimi, klasör gibi video üzerinde etiketleme yapmanıza olanak tanır.

Araçlar

Annotation Tool içinde veri seti hazırlarken size yardımcı olacak birkaç araç vardır:

Sınıf Sıklığı Analizi

Class Frequency Analysis'a tıklamak, datasetinizde kaç adet sınıf olduğunu analiz eder ve gösterir.

Bu, veri setinizin dengeli olup olmadığını kontrol etmek için faydalıdır.

Veri Setini Artırma (Augment Dataset)

AugeLab Studio otomatik olarak veri artırma işlemleri uygulayabilir. Augmentasyon, benzer verileri yapay olarak oluşturma işlemidir.

Bu konu Augmenting Your Dataset sayfasında detaylı olarak ele alınmıştır.

🛠️ AI Vision Sorun Giderme

AI modelleriniz beklediğiniz gibi çalışmıyorsa, performansı ayarlamak için bu hızlı çözüm ipuçlarını kullanın.

🚫 "Hiçbir şey etiketlemiyor" (Sıfır Tespit)

AI çok "çekingen" davranıyorsa genellikle eşik veya açıklama sorunudur.

• Confidence Threshold değerini biraz düşürün.

• Text Threshold (Grounding DINO kullanıyorsanız) kelime eşleşmesinde daha az katı olacak şekilde azaltın.

• Daha Spesifik Olun: "part" yerine "silver metal bolt" ya da "red plastic cap" gibi görsel olarak açıklayıcı ifadeler kullanın.

• Sınıf Listesini Kontrol Edin: Node ayarlarında sınıf listenizin yüklü ve boş olmadığından emin olun.

📦 "Çok fazla yanlış kutu" (Yanlış Pozitifler)

Ekranda yanlış pozitifler fazlaysa modeli daha sıkı yapmanız gerekir.

• Confidence Threshold değerini artırın.

• Text Threshold değerini arttırarak görüntü ile prompt arasındaki eşleşmeyi sıkılaştırın.

• Belirsiz İfadelerden Kaçının: "object" veya "item" gibi geniş ifadeler yerine, parçanın benzersiz renk veya dokusunu tanımlayın.

❓ "YOLO modeli sınıfımı tespit etmiyor"

Standart YOLO modelleri belirli veri kümeleri üzerinde ön-eğitimlidir.

• COCO Standardı: Temel YOLO modelleri yalnızca 80 COCO kategorisini tanır. Etiketlerinizin tam olarak eşleştiğinden emin olun (ör. person, cell phone, chair, bottle).

• Özel Gereksinimler: Özel bir şey tespit etmeniz gerekiyorsa (ör. "çizilmiş devre kartı"), Text-Prompt modellerinden (Grounding DINO gibi) faydalanın veya Custom YOLO modeli eğitin.

🐌 "İşlem yavaş veya takılıyor"

Görsel modeller işlemci gereksinimi yüksektir.

• İlk Çalıştırma Gecikmesi: Modellerin indirilmesi ve belleğe yüklenmesi ilk çalıştırmada yavaş olabilir; bu normaldir.

• Model Boyutu: Grounding DINO Base ve OWLv2 Large yüksek doğruluk sağlar ancak “cihazayı yorar”. Daha hızlı sonuç için "Tiny" veya "Small" varyantlarını deneyin.

• Donanım: AugeLab'in GPU'nuzu kullandığından emin olun. Büyük AI modellerinin CPU'da çalıştırılması önemli gecikmelere yol açar.

---

💡 Hâlâ takıldınız mı?

AugeLab Studio içindeki AI Assistant'ı deneyin. Kamera görünümünüzü ve kutuların şu an nasıl göründüğünü tarif edin; genellikle eşik değerleri için doğru ondalık değeri önerebilir.

Eşiklerle ilgili bir açıklama tablosu (Threshold Cheat Sheet) ister misiniz?](./augment-dataset.md)

Augmentation işlemi, etiketleme bittikten sonra yapılmalıdır.

Augmentation işlemi veri setinizin disk kullanımını yaklaşık 10 katına kadar artırabilir.

Görüntü Ön İşleme (Preprocess Image)

Preprocess Image aracı, pencerede gösterilen görüntülerin kontrast, parlaklık ve gamma ayarlarını değiştirmenize olanak sağlar. Çok karanlık veya çok parlak görüntülerle çalışırken bu özellik faydalıdır.

Sınıf ID Değiştir

Change Class Id aracı, tüm etiketlenmiş örnekleri farklı bir sınıfa değiştirmeye olanak tanır.

Bu araç, iki farklı veri setini birleştirirken işinize yarar.

Kısayollar ve Yardım

Kısayollar ve yardım için üst menüdeki `Help` düğmesine tıklayabilirsiniz.

• D: Sonraki görüntü veya kareyi göster.

• A: Önceki görüntü veya kareyi göster.

• Shift + D: 10 görüntü/kare ilerle.

• Shift + A: 10 görüntü/kare geri git.

• W: Sınıf seçimini azalt.

• S: Sınıf seçimini artır.

• Shift + W: Sınıf seçimini 3 azalt.

• Shift + S: Sınıf seçimini 3 artır.

• X: Son eklenen bounding box'u kaldır.

• Shift + C: Tüm anotasyonları temizle.

• O: Boş bir anotasyon dosyası ekle veya anotasyonları temizle.

• P: Anotasyonları kaldır ve dosyayı temizle.

• M: Görüntüyü başka bir klasöre taşı veya hariç bırak (Folder Mode sadece).

• Shift + Delete: Görüntüyü ve anotasyonunu bilgisayardan sil (Folder Mode sadece).

Özel AI Nesne Tespiti Modeli ile Eğitim

Özel bir nesne tespiti modeli eğitmek için lütfen Object Detection Train sayfasına bakın.