📋
docs.binaexperts.com
  • Introduction
  • Get Started
  • Organization
    • Create an Organization
    • Add Team Members
    • Role-Based Access Control
  • Datasets
    • Creating a Project
    • Uploading Data
      • Uploading Video
    • Manage Batches
    • Create a Dataset Version
    • Preprocessing Images
    • Creating Augmented Images
    • Add Tags to Images
    • Manage Categories
    • Export Versions
    • Health Check
    • Merge Projects and Datasets
    • Delete an Image
    • Delete a Project
  • annotate
    • Annotation Tools
    • Use BinaExperts Annotate
  • Train
    • Train
    • Framework
      • Tensorflow
      • PyTorch
      • NVIDIA TAO
      • TFLite
    • Models
      • YOLO
      • CenterNet
      • EfficientNet
      • Faster R-CNN
      • Single Shot Multibox Detector (SSD)
      • DETR
      • DETECTRON2 FASTER RCNN
      • RETINANET
    • dataset healthcheck
      • Distribution of annotations based on their size relative
      • Distribution of annotations based on their size relative
    • TensorBoard
    • Hyperparameters
    • Advanced Hyperparameter
      • YAML
      • Image Size
      • Validation input image size
      • Patience
      • Rectangular training
      • Autoanchor
      • Weighted image
      • multi scale
      • learning rate
      • Momentum
  • Deployment
    • Deployment
      • Legacy
      • Deployment model (Triton)
    • Introducing the BinaExperts SDK
  • ابزارهای نشانه گذاری
  • استفاده از نشانه گذاری بینااکسپرتز
  • 🎓آموزش مدل
  • آموزش
  • چارچوب ها
    • تنسورفلو
    • پایتورچ
    • انویدیا تاو
    • تنسورفلو لایت
  • مدل
    • یولو
    • سنترنت
    • افیشنت نت
    • R-CNN سریعتر
    • SSD
    • DETR
    • DETECTRON2 FASTER RCNN
  • تست سلامت دیتاست
    • توزیع اندازه نسبی
    • رسم نمودار توزیع
  • تنسوربرد
  • ابرمقادیر
  • ابرمقادیر پیشرفته
    • YAML (یامل)
    • اندازه تصویر
    • اعتبار سنجی تصاویر ورودی
    • انتظار
    • آموزش مستطیلی
  • مستندات فارسی
    • معرفی بینااکسپرتز
    • آغاز به کار پلتفرم بینااکسپرتز
  • سازماندهی
    • ایجاد سازمان
    • اضافه کردن عضو
    • کنترل دسترسی مبتنی بر نقش
  • مجموعه داده ها
    • ایجاد یک پروژه
    • بارگذاری داده‌ها
      • بارگذاری ویدیو
    • مدیریت دسته ها
    • ایجاد یک نسخه از مجموعه داده
    • پیش‌پردازش تصاویر
    • ایجاد تصاویر افزایش یافته
    • افزودن تگ به تصاویر
    • مدیریت کلاس‌ها
  • برچسب گذاری
    • Page 3
  • آموزش
    • Page 4
  • استقرار
    • Page 5
Powered by GitBook
On this page

Was this helpful?

ابزارهای نشانه گذاری

ابزارهای حاشیه‌نویسی تصاویر را برای استفاده در پروژه‌های بینایی کامپیوتری خود حاشیه‌نویسی کنید. BinaExperts Annotate یک رابط کاربری سریع و قوی فراهم می‌کند که از طریق آن می‌توانید تصاویر را حاشیه‌نویسی کنید. می‌توانید تصاویر را با استفاده از جعبه‌های مرزی (bounding boxes) و چندضلعی‌ها (polygons) حاشیه‌نویسی کنید.

روش‌های حاشیه‌نویسی می‌توانید تصاویر را به روش‌های زیر حاشیه‌نویسی کنید:

  • رسم دستی جعبه‌های مرزی و چندضلعی‌ها

  • استفاده از AutoLabel، ابزاری که از نقاط بازبینی مدل (یعنی نسخه‌های قبلی مدل شما) برای پیشنهاد حاشیه‌نویسی‌ها استفاده می‌کند

  • استفاده از Smart Polygon، ویژگی‌ای که با چند کلیک چندضلعی‌ها را ایجاد می‌کند.

  • استفاده از Label Assist با SAM، که از مدل "Segment Anything" برای ایجاد حاشیه‌نویسی‌های دقیق‌تر چندضلعی با چند کلیک استفاده می‌کند.

تصویر بارگذاری شود

جعبه‌های مرزی در مقابل چندضلعی‌ها با داشتن گزینه‌ای بین رسم جعبه‌های مرزی و چندضلعی‌ها، ممکن است این سؤال پیش بیاید: تفاوت بین این دو نوع حاشیه‌نویسی چیست؟ جعبه‌های مرزی -- جعبه‌هایی که دور یک شیء مورد نظر در تصویر رسم می‌شوند -- آسان‌تر از چندضلعی‌ها هستند، بنابراین زمان حاشیه‌نویسی کمتری می‌گیرند. از طرفی، چندضلعی‌ها دقیق‌تر هستند و ممکن است منجر به افزایش جزئی در عملکرد شوند. برای وظایف بخش‌بندی (segmentation)، نیاز است تصاویر را با چندضلعی‌ها حاشیه‌نویسی کنید، زیرا شما مدل خود را برای بخش‌بندی دقیق آیتم‌های خاص از تصویر آموزش می‌دهید. این بخش از مستندات BinaExpert نحوه حاشیه‌نویسی تصاویر با استفاده از هر یک از روش‌های فوق را نشان می‌دهد.

PreviousIntroducing the BinaExperts SDKNextاستفاده از نشانه گذاری بینااکسپرتز

Last updated 12 months ago

Was this helpful?