Deze blogpost is oorspronkelijk gepubliceerd op de website van Xailient. Het is hier herdrukt met toestemming van Xailient.
In dit bericht zullen we de details behandelen van het annoteren van afbeeldingen met behulp van de MakeSense-annotatietool.
Stel je voor dat je net een spannend project hebt gekregen waarbij je een programma moet bouwen om te detecteren of een deur open of gesloten is met behulp van een afbeelding. Je hebt een paar honderd afbeeldingen van open deuren en gesloten deuren verzameld. Nu moet je elke deur in de afbeeldingen annoteren en labelen, zodat je een machine learning-model kunt trainen om open of gesloten deuren te detecteren.
Beeldannotatie is een belangrijke stap bij het maken van machine learning-modellen voor taken zoals objectdetectie, beeldclassificatie en beeldsegmentatie.
U zoekt naar annotatietools op Google en vindt meer dan een paar opties , dus nu ben je in de war over welk hulpmiddel je moet gebruiken om je afbeeldingen te annoteren. Als jij dit bent, zal ik je besluitvormingsproces een beetje gemakkelijker maken door stap voor stap een van de open-source annotatietools te doorlopen.
Verschillende computervisietaken met voor elk type annotatie
Als u meer wilt weten over de verschillende typen beeldannotaties in detail: begrenzingsvakken, polygonale segmentatie, semantische segmentatie, 3D kubussen, sleutelpunten en oriëntatiepunten, en lijnen en splines, lees dan hier meer.
Laten we eens kijken naar de open-source online annotatietool — MakeSense.
MakeSense is een open-source en gratis te gebruiken annotatietool onder GPLv3-licentie. Het vereist geen geavanceerde installaties, het heeft alleen een webbrowser nodig om het uit te voeren.
Voordelen:
- Open-source
- Gratis
- Web-based
De gebruikersinterface is eenvoudig te gebruiken. U uploadt eenvoudig de afbeeldingen die u wilt annoteren, annoteert de afbeeldingen en exporteert de labels.
MakeSense ondersteunt meerdere annotaties: begrenzingsvak, polygoon en puntannotatie. U kunt de labels in verschillende formaten exporteren, waaronder YOLO, VOC XML, VGG JSON en CSV. Volgens de website slaat MakeSense de afbeeldingen niet op, omdat ze ze nergens naartoe sturen.
Hier is een stapsgewijze handleiding voor het gebruik van de MakeSense-annotatietool.
1. Ga naar www.makesense.ai
MakeSense-startpagina
2. Klik op het vak rechtsonder om naar de annotatiepagina te gaan en u ziet de volgende pagina waar u de afbeeldingen kunt uploaden die u wilt annoteren.
MakeSense-afbeeldingsselectiepagina
3. Klik na het selecteren en uploaden van afbeeldingen op de knop “Objectdetectie”.
MakeSense-pagina met afbeeldingen uploaden
4. Aangezien u geen labels heeft geladen, wordt u gevraagd een lijst met labelnamen te maken voor uw project.
Om een nieuw label toe te voegen, klikt u op het +-teken in de linkerbovenhoek van het berichtvenster en voert u het label in het tekstveld 'Label invoegen' in. Herhaal dit voor alle labels.
Als je alle labels hebt toegevoegd, selecteer je “Start Project”.
Labels maken en project starten
5. Hier heb je een optie om ofwel een vooraf getraind model te gebruiken om je te helpen met het labelen, of om het labelen helemaal zelf te doen. Laten we voor dit bericht de optie “Ik ga alleen” gebruiken en alle labels handmatig uitvoeren.
Kies handmatige annotatie
6. U ziet de geüploade afbeeldingen in de linkerkolom, de annotaties in de rechterkolom en de afbeelding die momenteel is geselecteerd voor annotatie in de middelste kolom.
In de annotatiekolom kunt u kiezen uit verschillende annotatietypes: Begrenzingsvak, Punt en Veelhoek. Laten we voor dit bericht de annotatie met begrenzingsvakken gebruiken en 'Open Door' en 'Closed Door' annoteren in de afbeeldingen.
Afbeelding annoteren
Als u aantekeningen wilt maken bij een object, plaatst u de muisaanwijzer op het object in de geselecteerde afbeelding, klikt en sleept u om een rechthoekig vak van de beoogde grootte te maken.
Nadat het selectiekader is gemaakt, wordt een nieuw item toegevoegd onder de kolom Begrenzend kader aan de rechterkant. Klik om het gewenste label voor het object te selecteren.
7. Herhaal de annotatiestappen voor alle objecten in alle afbeeldingen.
8. Wanneer u alle afbeeldingen heeft geannoteerd, bent u klaar om uw labels te exporteren. Om te exporteren, klikt u op de knop “Labels exporteren” in de rechterbovenhoek van de pagina, selecteert u het gewenste uitvoerformaat en klikt u op “Exporteren”.
Exportlabel
Met deze eenvoudige stappen heeft u nu uw dataset geannoteerd en bent u klaar om uw machine learning-model te trainen.
Een paar dingen u moet rekening houden met het volgende wanneer u deze tool gebruikt:
- MakeSense is een online webtool. Dat betekent dat je al je afbeeldingen naar de webportal moet laden om er aantekeningen op te maken.
- MakeSense biedt geen optie om zip-bestanden te uploaden. U moet de upload uitvoeren door alle afbeeldingen te selecteren die u wilt annoteren.
- MakeSense biedt geen manier om uw annotatieprojecten tussendoor op te slaan. Dat betekent dat als je je webbrowser opzettelijk of per ongeluk vernieuwt, al je annotatievoortgang is verdwenen en je vanaf het begin moet beginnen (alle afbeeldingen uploaden).
- Je kunt niet samenwerken met je team om aan hetzelfde annotatieproject werken.
- U kunt AI gebruiken om uw taak voor het annoteren van afbeeldingen te versnellen. U kunt kiezen uit twee opties: COCO SSD-objectdetectiemodel voor annotatie in begrenzingskaders, of POSE-NET pose-schatting voor key-point-annotatie. Merk op dat om AI te gebruiken, u deze optie moet selecteren voordat u met het project begint. Als u ervoor kiest om geen AI-model voor hulp te gebruiken, kunt u dit niet meer wijzigen.
Gezien de bovenstaande punten is MakeSense een goede optie om te gebruiken als je tot een paar honderd afbeeldingen hebt om te annoteren, zoals in het voorbeeld van een open/gesloten deur. Omdat er geen setup of installatie nodig is, kan deze tool erg handig zijn als je een kleine dataset hebt die je in één keer kunt labelen.
Je kunt de afbeeldingen voor open deuren uploaden, ze annoteren en de labels exporteren . Als één afbeelding twee deuren bevat en u annotatie met een selectiekader gebruikt, kunt u gemiddeld 10 afbeeldingen in 1 minuut annoteren. In een uur kunt u ongeveer 600 afbeeldingen annoteren met deze tool.
Als u een grote dataset heeft, zeg 10.000 afbeeldingen, raad ik u aan naar andere offline annotatietools te kijken (als u alleen werkt), of online annotatietools (als je in een team werkt), die de mogelijkheid hebben om de annotatietaken te pauzeren en te hervatten. Een andere optie is om de taak voor het annoteren van afbeeldingen uit te besteden aan andere bedrijven die hierin zijn gespecialiseerd.
In dit bericht hebben we gekeken hoe je je afbeeldingsgegevens kunt annoteren met behulp van de open-source online annotatietool MakeSense.
Bekijk dit bericht voor meer details over het maken van een robuust objectdetectiemodel.
Sabina Pokhrel
AI-ingenieur voor klantsucces, Xailient
