تصاویر را حاشیه نویسی کنید و عملیات یادگیری ماشین خود را با رابط کاربری بصری و قالب های گردش کار قدرتمند به طور خودکار انجام دهید. از داده های آموزشی برای انجام هر کار کامپیوتری استفاده کنید.
راه حل های مقیاس پذیر و آماده تولید متناسب با پروژه های سطح سازمانی. ابزارهای موجود را کاوش کنید و کشف کنید که چگونه می توانند به شما کمک کنند.
Click on an object to segment it with V7's pixel-perfect polygon masks. Use auto-labeling to detect and segment multiple instances in seconds.
Used for finding the contour of an object like a silhouette or defining an amorphous entity like “sky” or “road".
A lightweight vector, but drawn or erased like a painting tool. Handy for creating complex polygons and holes.
Used for 3D and 6 degree-o-freedom object detectors. Cuboids are 3-dimensional bounding boxes that can enclose an item, defining its dimension and pose in a captured scene.
An oval that appears as a two-diameter circle or multi-point polygon on export. Can be used as a round polygon or as an ellipse to mark circular objects that may distort with perspective.
A series of points forming a line that can be used for defining a slope, direction, or edge. This tool comes in handy for lane markings or trajectories.
Bounding boxes are used for training detectors. They’re less precise than polygon masks but may prove cheaper to compute.
Defines a point that may represent an object or marker. Keypoints can be used individually or in groups to form a point map to define the pose of an object.
A network of keypoints connected by vectors. Used for defining the 2D or 3D pose of a multi-limbed object. Keypoint skeletons use a defined, moveable set of points that adapt to the object’s appearance.
Tags describe the whole image for classification purposes. Unlike other annotations, they don’t apply to an image area. They describe features of an image as a whole, or define an image category.
Attributes refer to tags on an annotation. They describe objects in greater detail than the class name itself. They can define discrete or continuous features, such as color or age. Attributes help AI classify objects after detecting them.
Instance IDs (also referred to as “object IDs” or “tracking IDs”) let you re-identify a specific object throughout a dataset. Each annotation is given a numeric ID so the object may be tracked or distinguished from other objects of the same class in an image.
Text can be used to train OCR or to include unique textual information about an annotation. Unlike attributes, the text isn’t saved to be re-applied to other annotations.
Defines a value between 0 and 360 to indicate the 2D pose or direction of an object. These vectors can be used to predict movement or define an object’s tilt.
When your team's needs go beyond the standard tools, you can write plugins to add new functionalities and annotation types, giving you the freedom to expand the platform.
گردشهای کاری دادهها را ایجاد و خودکار کنید، بررسی QA، ورژن کنترل دیتاست ها، و ... به پایپلاین یادگیری ماشین خود دید کامل داشته باشید.
model-in-the-loop را برای برچسب گذاری سریعتر داده های خود به کار بگیرید. از ابزار مدل سیستم برای فراخوانی مدل خود استفاده کنید یا یکی را از کتابخانه مدل های عمومی سیستم انتخاب کنید.
برای سادهسازی پروژههای حاشیهنویسی، گردشهای کاری داده را بسازید و خودکار کنید. نقش های کاربر را برای مدیریت موثر منابع خود اختصاص دهید.
فرآیند برچسب گذاری را با نشانگرهای جهت، خطوط مرجع، هیستوگرام، نقشه های رنگی یا کنترل کنتراست ساده کنید.
از مدل های پایه سیستم برای ایجاد حاشیه نویسی روی هر شی با یک کلیک استفاده کنید.
داده های برچسب گذاری شده خود را با حاشیه نویسی و ویژگی های فرعی غنی کنید. متن، شناسه نمونه، بردارهای جهت دار و موارد دیگر را اضافه کنید.
برچسبزن تصویر حرفهای را به کار بگیرید که به دادههای شما اهمیت میدهند. ما کل پروژه برچسبگذاری را برای شما مدیریت میکنیم.
از JPG تا PNG تا DICOM تا NIfTI—V7 از طیف گسترده ای از فرمت های فایل تصویری پشتیبانی می کند.
مراحل اجماع را به گردش کار آموزش داده خود اضافه کنید و فرآیند QA را خودکار کنید. مدل ها یا برچسب ها را با اجماع هوش مصنوعی مقایسه کنید.
از تجزیه و تحلیل و سفارشی سازی قدرتمند سیستم برای پیگیری پیشرفت و انطباق پلت فرم با نیازهای برچسب گذاری خاص خود استفاده کنید.
زمان صرف شده، حاشیه نویسی در دقیقه و دقت را پیگیری کنید
پروژه برچسب زدن خود را با داده های لحظه ای دقیق مدیریت کنید
فایلها را در یک کار قرار دهید یا فایلهای DICOM را وارد کنید
انواع فایلهای مختلف را در یک رابط کاربری ترکیب کنید تا برچسبگذاری دادههای چندوجهی را فعال کنید
حاشیه نویسی های ایجاد شده به صورت دستی برای داده های آموزشی یا مدل های در استنتاج را بررسی کنید
به آرامی فایل های دارای هزاران برچسب را از مرورگر خود پیمایش کنید