Auto Annotation
Magic annotation, AI modelleri kullanarak sınır kutularını (bounding box) otomatik oluşturmanıza yardımcı olur; böylece veri setlerini çok daha hızlı etiketleyebilirsiniz.
Pratik bir iş akışı için tasarlanmıştır:
Modeli ve prompt'ları bir kere yapılandırın
Kaliteyi doğrulamak için tek bir görüntüyü otomatik etiketleyin
Tüm veri setini toplu olarak otomatik etiketleyin
Yanlışları gözden geçirip düzeltin
Gereksinimler
Magic annotation, NVIDIA GPU ile daha hızlı çalışır.
Bir [NVIDIA GPU] bulunan bir bilgisayar gerekir (../../before-you-start/system-requirements.md)
NVIDIA GPU varsa, Module Downloader'dan torch GPU sürümünü indirerek otomatik etiketlemeyi hızlandırabilirsiniz.
Gerekli AI modüllerini Module Downloader penceresinden indirin.
İlk Bakış
(Magic annotation'ı açmak için ✨ düğmesini kullanın veya T tuşuna basın.)
Magic annotation'ı iki şekilde açabilirsiniz:
Geçerli görüntüyü otomatik etiketlemek için
Ttuşuna basın (kayıtlı ayarlarınızı kullanır)Classes panelindeki ✨ düğmesine tıklayarak Magic annotation ayarlar penceresini açın
Not: Magic annotation'ı ilk kez kullandığınızda AugeLab Studio sizden ayarları yapılandırmanızı isteyecektir. Bu ayarlar kaydedilir ve istediğiniz zaman ✨ düğmesine tıklayarak değiştirebilirsiniz.
Başlamadan Önce (Önerilen)
Magic annotation için bir veri setine ve sınıf listesine ihtiyacınız var.
Image Annotation Window içinde veri seti klasörünüzü yükleyin
classes.namesdosyanızı yükleyin veya oluşturun
Annotation Window'ı daha önce kullanmadıysanız, önce ana etiketleme rehberini takip edin.
Magic annotation Diyaloğunu Açma
AI Tools → Image Annotation açın
Veri setinizi ve sınıf dosyanızı yükleyin
Classes panelinde ✨ düğmesine tıklayın
Bu, Magic annotation Settings diyaloğunu açar.
Adım 1 — Model Seçin
Model Selection bölümünde desteklenen dedektörlerden birini seçin.
Text-prompt modelleri (özel sınıflar için önerilir)
Bu modeller, sınıf açıklamalarınızı (text prompt) kullanarak nesneleri tespit eder:
Grounding DINO Tiny: iyi bir varsayılan, hızlı
Grounding DINO Base: daha doğru, daha ağır (GPU şiddetle önerilir)
OWLv2 Base Ensemble: iyi genel model
OWLv2 Large Ensemble: daha doğru, daha ağır (GPU şiddetle önerilir)
Bu modelleri, sınıflarınız standart COCO sınıfları değilse veya nesneyi doğal dil ile tarif etmek istiyorsanız kullanın.
YOLO modelleri (hızlı, ancak sınıf eşleşmesi önemlidir)
YOLO modelleri, YOLO/OpenCV DNN özelliği kullanılabiliyorsa görünür:
YOLOv4 (COCO)
YOLOv4 Tiny (COCO)
Bunlar metin tanımları kullanmaz; COCO sınıf isimlerini kullanırlar.
Uyarı: YOLO (COCO) modelleri için COCO sınıf isimleri veri seti sınıf isimlerinizle tam olarak eşleşmelidir. Örnek: sınıfınız person ise tam olarak person olmalıdır (ör. human olmamalı).
Özel YOLOv4 modeli
Kendi YOLOv4 modelinize sahipseniz, Custom YOLOv4 Model seçin ve şu dosyaları sağlayın:
Weights dosyası (
.weights)Config dosyası (
.cfg)Names dosyası (
.names)
Adım 2 — Eşik Değerlerini Ayarlama
Confidence Threshold
Bir tespitin etiket haline gelmesi için gerekli güven skorunu kontrol eder.
Yüksek değerler → daha az kutu, genelde daha temiz
Düşük değerler → daha fazla kutu, ama daha fazla yanlış pozitif
İyi bir başlangıç: %30
Grounding DINO: Box Threshold ve Text Threshold
Sadece Grounding DINO modelleri için görünür:
Box Threshold: kutu güveninin ne kadar katı olması gerektiği
Text Threshold: metin–nesne eşleşmesinin ne kadar katı olması gerektiği
Kılavuz:
Çok fazla yanlış kutu geliyorsa → önce Text Threshold değerini artırın
Kutular geniş veya dağınıksa → Box Threshold değerini artırın
Hiç tespit yoksa → eşikleri kademeli olarak düşürün
Adım 3 — Daha İyi Sınıf Tanımları Yazın (Text-Prompt Modelleri)
Text-prompt model seçtiyseniz, bir Class Descriptions tablosu görürsünüz.
Neden önemli: açıklama, modelin nesneleri bulmak için kullandığı prompt'tur.
İyi açıklamalar:
Görsel ve spesifik olmalı (renk, şekil, malzeme)
Gerçek görüntülerinize göre zeminlendirilmiş olmalı (arka plan, aydınlatma, yönelim)
Örnekler:
boltyerine →silver bolt on a black conveyor beltcupyerine →white paper cup, top viewlabelyerine →rectangular sticker label on a cardboard box
Ayrıca kullanabilirsiniz:
Use Class Names ile prompt'ları sınıf isimlerine sıfırlama
Clear All ile baştan başlama
İpucu: Eğer iki sınıf benzer görünüyorsa, açıklama ayırt edici özellikleri vurgulamalı. Örnek: scratch on metal surface vs oil stain on metal surface.
Adım 4 — Annotation Mode Seçin (Önemli)
Magic annotation, halihazırda etiketlenmiş görüntülerle çalışırken üç modu destekler:
Override: mevcut annotation dosyalarını değiştirir (üzerine yazar)
Add: yeni tespitleri mevcut annotation'lara ekler
Skip: zaten annotation olan görüntüleri işlemez
Öneriler:
Baştan başlıyorsanız veya her şeyi yeniden etiketliyorsanız Override seçin
Mevcut etiketleri tamamlamak istiyorsanız Add seçin
Kısmen etiketlenmiş bir veri setini inceliyorsanız ve üzerine yazılmasını istemiyorsanız Skip seçin
Magic annotation'ı Çalıştırma
Annotate Current (tek görüntü)
Önce Annotate Current'i kullanın.
Bu, prompt'larınızın ve eşik değerlerinizin yeterli olup olmadığını onaylamak için en güvenli yoldur:
prompt'lar iyi mi
eşikler makul mü
kutular doğru görünüyor mu
Sonuçlar iyi değilse, prompt/eşik ayarlarını değiştirip tekrar deneyin.
Batch Annotate All (tüm veri seti)
Geçerli görüntü iyi görünüyorsa Batch Annotate All'a tıklayın.
Bir ilerleme diyaloğu gösterir:
mevcut durum (model yükleniyor / işleniyor)
ilerleme çubuğu
kalan tahmini süre (ETA)
Her zaman istediğiniz zaman iptal edebilirsiniz.
Sonuçları Gözden Geçirme ve Düzeltme
Magic annotation etiketlemeyi hızlandırmak içindir; gözden geçirmeyi tamamen ortadan kaldırmaz.
Otomatik etiketlemeden sonra:
Görüntüleri hızlıca tarayın ve bariz hataları yakalayın
Yanlış kutuları düzeltin (yanlış sınıf, yanlış boyut)
Yanlış pozitifleri kaldırın
Gerektiğinde kaçırılan nesneleri manuel ekleyin
Tekrarlayan hatalar görürseniz, durun; prompt/eşikleri düzeltin ve yeniden çalıştırın.
Eğer AI modelleri beklediğiniz gibi davranmıyorsa, performansı ayarlamak için aşağıdaki hızlı düzeltme seçeneklerini kullanın.
🚫 "Hiç etiketlemiyor" (Sıfır Tespit)
AI çok "çekingen" davranıyorsa genelde eşik veya açıklama sorunudur.
Confidence Threshold'ı biraz düşürün (ör. %30'dan aşağı)
Grounding DINO için Text Threshold'u düşürerek kelime eşleşmesi konusunda daha az katı olun
Daha spesifik olun: "part" yerine "silver metal bolt" veya "red plastic cap" gibi görsel açıklamalar kullanın
Sınıf listenizin node ayarlarında gerçekten yüklü olduğundan emin olun
📦 "Çok fazla yanlış kutu" (Yanıltıcı Tespitler)
Ekranınız yanlış pozitiflerle doluysa, modelin "katılığını" artırmalısınız.
Confidence Threshold'ı yükseltin (düşük güven skorlarını filtreleyin)
Text Threshold'u artırın (metin–görüntü eşleşmesini sıkılaştırın)
Belirsiz prompt'lardan kaçının; AI gölgeleri "parça" olarak etiketliyorsa, parçanın benzersiz renk veya dokusunu açıklayın
❓ "YOLO modeli sınıfımı algılamıyor"
Standart YOLO modelleri önceden belirlenmiş veri setleriyle eğitilmiştir.
COCO Standard: Temel YOLO modelleri yalnızca 80 COCO kategorisini tanır. Etiketlerinizin tam olarak bu isimlerle eşleşmesi gerekir (ör.
person,cell phone,chair,bottle).Özel ihtiyaçlar: Belirli bir şeyi (ör. "çizilmiş devre kartı") tespit etmeniz gerekiyorsa, Text-Prompt modeli (ör. Grounding DINO) kullanın veya kendi Custom YOLO modelinizi eğitin.
🐌 "İşlem yavaş veya takılıyor"
Görsel modeller yüksek iletişim gücü gerektirir.
İlk çalıştırma gecikmesi: Modeller indiriliyor ve belleğe yükleniyorsa ilk seferde yavaş olması normaldir
Model boyutu: Grounding DINO Base ve OWLv2 Large yüksek doğruluklu ama ağırdır. Daha hızlı sonuç için Tiny/Small varyantları deneyin
Donanım: AugeLab'ın GPU kullanıp kullanmadığını kontrol edin. Büyük AI modellerini CPU'da çalıştırmak ciddi gecikme yaratır
💡 Hâlâ takıldıysanız?
AugeLab Studio içindeki AI Assistant'ı deneyin. Kamera görünümünüzü ve kutuların şu an nasıl göründüğünü tarif edin; çoğu zaman eşikler için tam ondalık değer önerileri sunabilir.
İsterseniz, "Confidence vs Text Threshold" farklarını tam olarak açıklayan bir "Threshold Cheat Sheet" tablosu da hazırlayabilirim — ister misiniz?
Notlar
Magic annotation ayarları kaydedilir ve
Ttuşuna bastığınızda tekrar kullanılır.Planınız/ lisansınız çevrimdışı Magic annotation için sınırlamalar içeriyorsa, limit aşıldığında toplu işlem engellenir.
Son güncelleme