A Roboflow a képektől a látásmodellig vezeti a ChatGPT használóit

A Roboflow október 26-i útmutatója bemutatja, hogyan segít ChatGPT-bővítménye a képeken tárgyakat felismerő modell elkészítésében. A felhasználó összekapcsolja a fiókját, ellenőrzi a munkaterületet, majd előkészíti a képeket és jelöléseiket, adatkészlet-verziót készít, és modellt tanít. A példa a dobozfelismerésből újrahasználható számlálási folyamatot épít. A kicsi, beállított képekből álló gyűjtemény a lépéseket szemlélteti; nem igazolja a rendszer teljesítményét valódi raktárban.

A kapcsolódó címkézési útmutató megmutatja, hol szükséges emberi ellenőrzés. Feltöltés után a továbblépés előtt ellenőrizni kell a befejezést, a képszámot, a duplikációkat és a hibákat. Először néhány képen próbáld ki a címkéző modellt: keresd a kihagyott tárgyakat, téves kategóriákat és rosszul elhelyezett határoló téglalapokat. Ezek jelölik a tárgyak helyét. Csak ezután indítsd el a nagyobb címkézési feladatot. Az eredmények ellenőrzésre várnak. A felhasználó a Roboflowban javítja és jóváhagyja a jelöléseket, mielőtt a jóváhagyott képek az adatkészletbe kerülnek. Egy verzió rögzíti a képeket, jelöléseiket és előkészítési beállításaikat a későbbi tanításhoz vagy exportáláshoz.

A Roboflow külön tanítási útmutatója az elkészült modell értékelését magyarázza. A részletes kiértékelés még készülhet, vagy munkaterületi hozzáféréstől függhet. A precizitás azt mutatja, hány jelzett találat felel meg megjelölt tárgynak; a visszahívás azt, hány megjelölt tárgyat talált meg a modell. Ezeket kategóriánként, a kihagyott tárgyakkal és téves riasztásokkal együtt vizsgáld. Rögzítsd a modellt, a kiértékelést, az adathalmaz részét és az alkalmazott megbízhatósági küszöböt. A kísérleteket validációs adatokkal irányítsd, majd a kiválasztott modellt elkülönített tesztadatokon értékeld. Válaszd szét a mért eredményt, a képekkel alátámasztott megfigyelést és a még tesztelendő feltételezést.