> For the complete documentation index, see [llms.txt](https://docs.augelab.com/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://docs.augelab.com/turkish/temel-ozellikler/annotate-data-for-object-detection/auto-annoation.md).
# 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:
1. Modeli ve prompt'ları bir kere yapılandırın
2. Kaliteyi doğrulamak için tek bir görüntüyü otomatik etiketleyin
3. Tüm veri setini toplu olarak otomatik etiketleyin
4. 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 `T` tuşuna 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.
1. Image Annotation Window içinde veri seti klasörünüzü yükleyin
2. `classes.names` dosyanızı yükleyin veya oluşturun
Annotation Window'ı daha önce kullanmadıysanız, önce ana etiketleme rehberini takip edin.
***
## Magic annotation Diyaloğunu Açma
1. **AI Tools** → **Image Annotation** açın
2. Veri setinizi ve sınıf dosyanızı yükleyin
3. **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:
* `bolt` yerine → `silver bolt on a black conveyor belt`
* `cup` yerine → `white paper cup, top view`
* `label` yerine → `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:
1. Görüntüleri hızlıca tarayın ve bariz hataları yakalayın
2. Yanlış kutuları düzeltin (yanlış sınıf, yanlış boyut)
3. Yanlış pozitifleri kaldırın
4. 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 `T` tuşuna bastığınızda tekrar kullanılır.
* Planınız/ lisansınız çevrimdışı Magic annotation için sınırlamalar içeriyorsa, limit aşıldığında toplu işlem engellenir.