Ce este adnotarea imaginilor: tipuri, fluxuri de lucru, asigurarea calității și listă de verificare a furnizorilor [Actualizat 2026]
Acest ghid vă ajută să alegeți abordarea potrivită de adnotare pentru proiectul dvs. de viziune computerizată, să stabiliți standarde de calitate măsurabile și să evaluați furnizorii cu o listă de verificare practică - astfel încât etichetele dvs. să fie precise, consecvente și pregătite pentru audit.
Acest ghid alege concepte și le prezintă în cele mai simple moduri posibile, astfel încât să aveți o claritate bună despre ce este vorba. Vă ajută să aveți o viziune clară asupra modului în care ați putea dezvolta produsul dvs., procesele care stau în spatele acestuia, aspectele tehnice implicate și multe altele. Deci, acest ghid este extrem de ingenios dacă sunteți:
Introducere
În 2026, multe echipe vor accelera etichetarea cu pre-etichetare asistată de model (auto-box-uri, auto-măști) și apoi vor folosi oameni pentru verificare, corecție și gestionarea cazurilor limită - adesea într-o buclă de învățare activă pentru a prioritiza cele mai valoroase mostre. Modelele de segmentare promptabilă (de exemplu, fluxurile de lucru în stil SAM) pot accelera crearea măștilor, dar este încă necesar un control QA puternic pentru clasele long-tail și schimbarea domeniului.
Acest ghid al cumpărătorului prezintă tipurile de adnotări, tehnicile, fluxurile de lucru moderne, indicatorii de asigurare a calității și o listă de verificare a furnizorilor, astfel încât să puteți defini cu precizie domeniul de aplicare al proiectelor și să evitați reetichetarea costisitoare.
Ce este adnotarea imaginii?
Adnotarea imaginilor este procesul de adăugare a etichetelor structurate la imagini (și cadre video), astfel încât mașinile să poată afla ce se află într-o scenă și unde apare. Aceste etichete devin adevărul de bază utilizat pentru antrenarea, validarea și testarea sistemelor de viziune computerizată.
Calitatea adnotărilor depinde de trei factori:
- O taxonomie clară a etichetelor (clase + atribute + definiții)
- Linii directoare consecvente (cazuri limită, exemple, ce trebuie ignorat)
- Controale de calitate (revizuirea fluxurilor de lucru, a eșantionării și a criteriilor de acceptare)
Rezultatele comune includ: etichete de clasă (de exemplu, „defect / fără defect”), locații ale obiectelor (cutii), regiuni cu precizie la pixeli (măști), puncte cheie/repere și ID-uri de urmărire pe cadre.
Adnotarea imaginii dintr-o privire
Modalități
- Imagini 2-D
- Video/Cadre multiple
- 3D/LiDAR
Sarcini
- Clasificare
- Detectare
- Segmentarea
- Urmărire
Forme
- Cutii/Cuboizi
- Poligoane/Măști
- Polilinii
- Puncte cheie/Repere
livrabile
- Fișiere etichete + schemă
- Raport QA
- Seturi de date versionate
- Transfer securizat
Majoritatea echipelor de viziune computerizată adnotează mai multe tipuri de imagini, în funcție de aplicație:
- Imagini 2D: Fotografii de produse, imagini medicale, inspecție industrială, rafturi de vânzare cu amănuntul
- Video/cadre multiple: CCTV, camere video de bord, analiză sportivă, robotică, drone
- Fuziune 3D/LiDAR/Senzori: Sisteme autonome și conducte de cartografiere
- Imagistică specializată: Microscopie termică, satelitară/aeriană, multispectrală
Sfat pentru definirea domeniului: proiectele video și 3D necesită reguli explicite pentru ocluzie, persistența ID-ului, eșantionarea cadrelor și sistemele de coordonate - acestea determină costul și calitatea mai mult decât alegerea formei în sine.
Tipuri de adnotare de imagine
Există un motiv pentru care aveți nevoie de mai multe metode de adnotare a imaginilor. De exemplu, există o clasificare a imaginilor la nivel înalt care atribuie o singură etichetă unei întregi imagini, mai ales când există un singur obiect în imagine, dar aveți tehnici precum segmentarea semantică și a instanțelor care etichetează fiecare pixel, utilizate pentru etichetarea de înaltă precizie a imaginii.
Pe lângă faptul că aveți diferite tipuri de adnotări de imagine pentru diferite categorii de imagini, există și alte motive, cum ar fi o tehnică optimizată pentru cazuri specifice de utilizare sau găsirea unui echilibru între viteză și acuratețe pentru a răspunde nevoilor proiectului dvs.
Tipuri de adnotare de imagine
Clasificarea imaginilor
Cel mai elementar tip, în care obiectele sunt clasificate pe scară largă. Deci, aici, procesul implică doar identificarea elementelor precum vehicule, clădiri și semafoare.
Detectarea obiectelor
O funcție puțin mai specifică, în care diferite obiecte sunt identificate și adnotate. Vehiculele pot fi mașini și taxiuri, clădiri și zgârie-nori și benzile 1, 2 sau mai multe.
Segmentarea imaginii
Aceasta intră în specificul fiecărei imagini. Aceasta implică adăugarea de informații despre un obiect, adică culoare, locație, aspect etc., pentru a ajuta mașinile să se diferențieze. De exemplu, vehiculul din centru ar fi un taxi galben pe banda 2.
Urmărirea obiectelor
Aceasta implică identificarea detaliilor unui obiect, cum ar fi locația și alte atribute în mai multe cadre din același set de date. Înregistrările de la videoclipuri și camerele de supraveghere pot fi urmărite pentru mișcările obiectelor și modelele de studiu.
Acum, să abordăm fiecare metodă într-o manieră detaliată.
Clasificarea imaginilor
Clasificarea imaginilor atribuie una sau mai multe etichete unei imagini (sau unei regiuni decupate). Este cel mai rapid și mai ieftin tip de adnotare și este potrivit atunci când locația nu este obligatorie.
Folosește-l când ai nevoie de: Defect vs. lipsă de defect, boală prezentă/absentă, tipul scenei, categoria de conținut.
Accent pe calitate: Definiții clare ale claselor, acoperire echilibrată între clase și revizuire bazată pe matricea de confuzie.
Detectarea obiectelor
Detectarea obiectelor identifică ce obiecte sunt prezente și unde se află acestea—de obicei folosind casete de încadrare (aliniate pe axe, rotite sau cuboide pentru 3D).
Opțiuni cheie de definire a domeniului de aplicare:
- Stil cutie: Aliniat pe axe vs. rotit vs. cuboid 3D
- granularitate: „Vehicul” vs. „mașină/autobuz/camion”.
- Atribute: Ocluzat, trunchiat, deteriorat, poză etc.
Accent pe calitate: Reguli consistente de etanșeitate a cutiilor, gestionarea suprapunerilor și criterii de acceptare bazate pe IoU.
Segmentarea imaginii
Segmentarea etichetează pixelii, permițând modelului să înțeleagă formele și limitele.
- Segmentarea semantică: Fiecărui pixel i se atribuie o clasă (de exemplu, drum, cer, clădire)
- Segmentarea instanțelor: Separă obiectele individuale din aceeași clasă (fiecare mașină primește propria mască)
- Segmentarea panoptică: Combină segmentarea semantică și cea a instanței într-o singură ieșire
În fluxurile de lucru moderne, segmentarea este adesea accelerată folosind măști asistate de model și apoi rafinate de oameni pentru acuratețea limitelor și cazurile limită. Abordările de segmentare promptă (de exemplu, conductele de tip SAM) pot accelera crearea măștilor, dar necesită în continuare QA pentru scenariile long-tail și domain-shift.
Accent pe calitate: Suprapunerea metricilor (IoU/Dice) plus verificări ale limitelor acolo unde contează marginile.
Urmărirea obiectelor
Urmărirea obiectelor urmărește obiectele de-a lungul cadrelor dintr-un videoclip, atribuind ID-uri de pistă persistente (de exemplu, Persoana-12) în timp. Urmărirea permite înțelegerea mișcării, analiza comportamentului și analiza cu mai multe camere.
Opțiuni cheie de definire a domeniului de aplicare:
- Strategia cadrului: Adnotați fiecare cadru vs. cadre cheie + interpolare
- Reguli de ocluzie: Când să păstrezi un act de identitate vs. să începi un act de identitate nou
- Reidentificare: Cum să gestionezi ieșirile și reintrările
- Atributele pistei: Direcție, intervale de viteză, interacțiuni, încălcări etc.
Accent pe calitate: Consecvența ID-ului, gestionarea ocluziilor și reguli clare pentru „pierdut” vs. „regăsit”.
Tehnici de adnotare a imaginilor
Adnotarea imaginilor se face prin diferite tehnici și procese. Pentru a începe cu adnotarea imaginilor, este nevoie de o aplicație software care oferă caracteristicile și funcționalitățile specifice și instrumentele necesare pentru adnotarea imaginilor pe baza cerințelor proiectului.
Pentru cei neinițiați, există mai multe instrumente de adnotare a imaginilor disponibile comercial, care vă permit să le modificați pentru cazul dvs. de utilizare specific. Există și instrumente care sunt open source. Cu toate acestea, dacă cerințele dvs. sunt de nișă și simțiți că modulele oferite de instrumentele comerciale sunt prea de bază, puteți obține un instrument personalizat de adnotare a imaginii dezvoltat pentru proiectul dvs. Acest lucru este, evident, mai costisitor și consumator de timp.
Indiferent de instrumentul pe care îl construiți sau la care vă abonați, există anumite tehnici de adnotare a imaginilor care sunt universale. Să ne uităm la ce sunt.
Casete de încadrare (aliniate pe axe, rotite și cuboide 3D)
Casetele de delimitare sunt dreptunghiuri desenate în jurul unui obiect pentru a arăta unde se află acesta. Sunt cea mai comună tehnică deoarece sunt rapide, scalabile și funcționează bine pentru modelele de detectare.
Când se utilizează casetele de încadrare
- Ai nevoie de locația obiectului, dar nu de forma exactă.
- Obiectele au limite clare și nu necesită precizie la nivel de pixel.
- Doriți un set de date rentabil pentru detectare sau numărare.
Cazuri de utilizare frecvente
- Detectarea produselor de pe rafturile magazinelor
- Detectarea vehiculelor și a pietonilor
- Detectarea echipamentelor în situri industriale
- Detectarea daunelor (zgârieturi/zgârieturi) atunci când locația aproximativă este suficientă
Repere/Puncte cheie
Repere (adnotarea punctelor cheie) marchează puncte specifice pe un obiect - cum ar fi colțuri, articulații sau markeri anatomici. Ajută modelele să înțeleagă poză, aliniere, formă și măsurătoare.
Când se utilizează punctele cheie
- Ai nevoie de estimarea pozei (corp/mână/față)
- Ai nevoie de aliniere precisă (colțurile/marginile obiectelor)
- Măsori distanțe/unghiuri (medicale sau industriale)
Cazuri de utilizare frecvente
- Monitorizarea șoferului: Colțurile ochilor, punctele gurii, poziția capului
- Imagistică medicală: Repere anatomice pentru măsurare
- Analiza sportivă: Pozițiile articulare pentru analiza mișcării
- De fabricație: Colțuri/găuri cheie pentru alinierea pieselor și verificări ale calității
Poligoane/Măști (Etichete cu precizie la nivel de pixel)
Poligoanele trasează conturul unui obiect. Adesea sunt convertite în măști de segmentare, care etichetează obiectul la nivel de pixel. Acest lucru este ideal atunci când forma și limitele contează.
Când se utilizează poligoane/măști
- Ai nevoie de limite precise (nu doar o cutie)
- Obiectele sunt neregulate (defecte, organe, scurgeri, frunziș, daune)
- Micile diferențe de formă au impact asupra performanței (segmentare fină)
Cazuri de utilizare frecvente
- Segmentare medicală (organe, leziuni)
- Defecte industriale (fisuri, coroziune, zgârieturi)
- Eliminarea fundalului/decuparea produselor
- Agricultură (regiuni de culturi/buruieni), geospațial (clădiri, corpuri de apă)
Polilinii (Linii)
Poliliniile sunt puncte conectate folosite pentru etichetare căi, margini și structuri subțiri care nu sunt bine reprezentate de casete sau poligoane. Sunt ideale pentru lucruri precum alei, borduri, crăpături, fire sau vase.
Când se utilizează polilinii
- Obiectul este lung și subțire (o structură asemănătoare unei linii)
- Îți pasă de direcție, continuitate sau curbură
- Cartografiați rute, limite sau rețele
Cazuri de utilizare frecvente
- Benzile de circulație, bordurile și limitele drumurilor (ADAS/cartografiere)
- Fisuri pe suprafețe (inspecția infrastructurii)
- Țevi/cabluri/sârme în imagini industriale
- Vasele de sânge în imagistica medicală
- Râuri/drumuri în imaginile din satelit
Cazuri de utilizare pentru adnotarea imaginilor
În această secțiune, vă voi prezenta unele dintre cele mai impactante și promițătoare cazuri de utilizare ale adnotărilor de imagine, de la securitate, siguranță și asistență medicală până la cazuri avansate de utilizare, cum ar fi vehiculele autonome.
Căutare în magazinele de retail și comerț electronic (descoperirea produselor, analiza rafturilor)
Obiectiv: Ajutați utilizatorii să găsească produsele vizual (căutare, recomandări) și ajutați comercianții cu amănuntul să înțeleagă condițiile de pe raft (disponibilitate, conformitate cu planograma).
Adnotare cu cea mai bună potrivire: Clasificare + Detectare obiecte (uneori Segmentarea instanțelor pentru detalii fine).
Ceea ce etichetați:
- Categorii/mărci/SKU-uri de produse (contează taxonomia)
- Casete de delimitare pentru produsele de pe rafturi (și opțional etichete de preț)
- Atribute precum „orientat spre față”, „ocluz”, „deteriorat”, „stoc epuizat”
Imagistică medicală (suport de detectare, măsurare, triaj)
Obiectiv: Susțineți fluxurile de lucru clinice, cum ar fi identificarea regiunilor de interes, măsurarea structurilor sau semnalizarea cazurilor pentru revizuire (fără a înlocui medicii).
Adnotare cu cea mai bună potrivire: Segmentare + Puncte cheie/Repere (uneori clasificare).
Ceea ce etichetați:
- Măști cu precizie la nivel de pixel pentru organe/leziuni/structuri
- Repere pentru măsurători (de exemplu, puncte anatomice cheie)
- Atribute precum „incert”, „prezență de artefacte”, „calitate slabă a imaginii”
Autonom / Robotică (Înțelegerea scenei și siguranța)
Obiectiv: Înțelegeți mediul pentru a naviga în siguranță - detectați obiecte, interpretați spațiul accesibil și preziceți mișcarea.
Adnotare cu cea mai bună potrivire: Detectarea obiectelor + Segmentarea + Urmărirea (adesea cu cadre multiple/video).
Ceea ce etichetați:
- Vehicule/pietoni/cicliști/semnale/obstacole (căsuțe + atribute)
- Zonă/benzi/trotuare circulabile (măști + polilinii)
- ID-uri de urmărire în timp (obiectul persistă între cadre)
Inspecție și producție industrială (detectarea și localizarea defectelor)
Obiectiv: Detectarea și localizarea defectelor din timp pentru a reduce rebuturile, refacerea lucrărilor și reclamațiile în garanție.
Adnotare cu cea mai bună potrivire: Detectare pentru localizare grosieră; Segmentarea pentru defecte neregulate.
Ceea ce etichetați:
- Zone cu defecte (zgârieturi, fisuri, coroziune, adâncituri, contaminare)
- Tipul defectului + atributele de severitate
- „Variație acceptabilă” vs. defect real (foarte important în asigurarea calității)
Asigurare / Reclamații (Asistență pentru evaluarea daunelor)
Obiectiv: Accelerați procesarea daunelor prin identificarea zonelor afectate și estimarea gravității acestora, asistând în același timp inspectorii umani.
Adnotare cu cea mai bună potrivire: Detectare + Segmentare (plus clasificarea în funcție de severitate).
Ceea ce etichetați:
- Componente deteriorate (bara de protecție, ușă, parbriz, acoperiș)
- Zone deteriorate (zgârieturi/îndoituri/crăpături) cu măști sau cutii
- Atribute: severitate, tipul piesei, „daune multiple”, probleme legate de iluminare/unghi
Geospațială și cartografiere (extragerea caracteristicilor din imagini aeriene/satelite)
Obiectiv: Extrageți elemente pentru cartografiere, planificare, agricultură, răspuns în caz de dezastre și monitorizarea infrastructurii.
Adnotare cu cea mai bună potrivire: Poligoane/Măști + Polilinii (uneori detectare).
Ceea ce etichetați:
- Amprente de clădiri, corpuri de apă, acoperire terestră (poligoane/măști)
- Drumuri, râuri, conducte, limite (polilinii)
- Atribute: tip de drum, tip de suprafață, tip de clădire, „în construcție”
Intern, externalizat sau hibrid? Alegerea strategiei potrivite de adnotare pentru proiectul dvs. de învățare automată (ML)
Adnotarea imaginilor necesită investiții nu doar în termeni de bani, ci și în timp și efort. După cum am menționat, este o activitate intensivă în muncă și necesită o planificare meticuloasă și o implicare asiduă. Ceea ce atribuie adnotatorii de imagini este ceea ce mașinile vor procesa și vor livra rezultate. Așadar, faza de adnotare a imaginilor este extrem de crucială.
Acum, dintr-o perspectivă de afaceri, aveți două moduri de a vă adnota imaginile -
- O poți face în casă
- Sau puteți externaliza procesul
- Hibrid
Acestea sunt unice și oferă propriile avantaje și dezavantaje. Să le analizăm obiectiv.
[Citește și: Ce este AI Image Recognition? Cum funcționează și exemple]
| Factorul de decizie | Dezvoltare software | Externalizate | Hibrid (Comun în 2026) |
|---|---|---|---|
| Viteză de pornire | Mai lent (angajare + dotare de personal) | Mai rapid (forță de muncă pregătită) | Rapid (forță de muncă furnizor + client potențial intern) |
| Scară | Limitat prin angajare | Scalează rapid | Cântare cu control |
| Expertiza domeniului | Puternic cu specialiști | Variază în funcție de furnizor | Execuție IMM-uri interne + furnizori |
| Guvernanța asigurării calității | Ridicat dacă există resurse suficiente | Depinde de maturitatea furnizorului | Responsabil intern cu asigurarea calității + controlul calității furnizorului |
| Securitate și confidențialitate | Mai ușor de controlat | Controalele trebuie verificate | Date sensibile interne; etichetare în bloc externă |
| Previzibilitatea costurilor | Mixt (cheltuieli generale fixe) | Adesea per unitate | Echilibrat |
Cum să alegi furnizorul sau platforma potrivită pentru adnotarea imaginilor (Lista de verificare pentru evaluare 2026)
Când echipele spun că caută „externalizare”, ele aleg adesea doua lucruri:
- An platformă de adnotare a imaginilor (stratul instrumentului/fluxului de lucru) și/sau
- An furnizor de adnotări de imagini (echipa de service care execută etichetarea la scară largă).
Unele companii cumpără o platformă și gestionează etichetarea intern. Altele angajează un furnizor care folosește propria lor platformă. Multe aleg o platformă hibridă: Dețineți platforma și instrucțiunile; furnizorul oferă adnotatori instruiți și operațiuni de asigurare a calității.
Listă de verificare a platformei de adnotare a imaginilor
1. Potrivirea fluxului de lucru (susține sarcina dumneavoastră?)
- Platforma acceptă tipurile de etichete necesare (casete, casete rotite, poligoane/măști, puncte cheie, polilinii, urmărire video)?
- Acceptă fluxuri de lucru pentru recenzori (o singură trecere, două treceri, escaladare)?
2. Funcții de asigurare a calității (controale de calitate încorporate)
- Etichetare consensuală sau cozi de revizuire
- Eșantionare de audit + etichetare a problemelor
- Capacitatea de a menține o set de aur și efectuați verificări de calibrare
3. Interoperabilitate (evitarea blocajelor)
- Formatele de export de care aveți nevoie (și proprietatea schemei—dețineți taxonomia/etichetele)
- Controlul seturilor de date/versiunilor și jurnale de modificări
- Suport API pentru rutarea sarcinilor, automatizare și integrarea conductelor
4. Securitate și control acces
- Acces bazat pe roluri + jurnale de audit
- Controale de păstrare a datelor și opțiuni de transfer securizat
- Suport pentru medii restricționate (VDI/VPN) pentru seturi de date sensibile
Listă de verificare pentru furnizorii de adnotări de imagini (partenerul de service de care depindeți)
1. Potrivirea domeniului și dovezi
- Poți împărtăși exemplu de îndrumări, A set de aur și Rapoarte de asigurare a calității din proiecte similare?
- Care este raportul dintre evaluatori și fluxul de lucru pentru escalarea cazurilor ambigue?
- Cum antrenezi anotatorii și cum îi menții calibrați în timp?
2. Sistemul de calitate (neregociabil)
- Ce metode de asigurare a calității utilizați (consens, revizuire dublă, audituri)?
- Cum măsurați și raportați calitatea (indicatori specifici sarcinii + taxonomia erorilor)?
- Care sunt criteriile dumneavoastră de acceptare pentru fiecare tip de etichetă (casete, măști, puncte cheie, urmărire)?
3. Controale de securitate și confidențialitate
- Controale de acces bazate pe roluri și jurnale de audit
- Transfer și stocare securizată a datelor, politică de păstrare
- Opțiuni pentru VDI/VPN sau medii restricționate pentru seturi de date sensibile
4. Instrumente și interoperabilitate (compatibilitate furnizor + platformă)
- Poate furnizorul să lucreze în? Interesele platformă de adnotare a imaginilor (sau exportă-le curat către aceasta)?
- Versionarea etichetelor și a instrucțiunilor (controlul modificărilor)
- Ștergeți predarea: Scheme, exporturi și rezumate QA per lot de livrare
5. Scalabilitate și operațiuni
- Angajamente de randament și SLA
- Capacitatea de a dezvolta echipe fără a reduce calitatea
- Cum gestionează noile clase, noile zone geografice și modificările ghidurilor
6. Guvernanță și pregătire pentru conformitate (planificare pentru 2026 și ulterior)
Dacă operați în medii reglementate, întrebați cum oferă suport furnizorilor și platformelor. auditabilitate, documentație și guvernanță a datelor.
Sfaturi rapide
- Alege un puternic platformă de adnotare a imaginilor dacă aveți nevoie de control, integrări și responsabilitate internă pentru asigurarea calității.
- Alegeți o furnizor de adnotări de imagini dacă aveți nevoie de scalare rapidă, forță de muncă calificată și randament stabil.
- Alege hibrid Dacă vrei ambele: păstrează taxonomia + controlul calității interne și folosește un furnizor pentru execuție la scară largă.
Încheierea
De ce echipele lucrează cu Shaip
Shaip ajută organizațiile să construiască date de instruire de înaltă calitate pentru viziune computerizată, combinând instrucțiuni clare de adnotare, asigurarea calității măsurabilă și fluxuri de lucru securizate. Indiferent dacă aveți nevoie de casete de delimitare, poligoane/măști, puncte cheie, polilinii sau adnotări video, echipele noastre vă pot sprijini proiectul cu operațiuni scalabile și standarde de calitate consistente.
Ce vă puteți aștepta:
- Suport pentru etichetare complexă, specifică domeniului, cu instrucțiuni și exemple documentate.
- Procese de asigurare a calității concepute în funcție de sarcina dumneavoastră (eșantionare de audit, fluxuri de lucru pentru recenzori, criterii de acceptare).
- Gestionarea securizată a datelor sensibile cu acces controlat și trasabilitate.
- Livrabile versionate și raportare clară, astfel încât echipa ta de ML să poată itera mai rapid.
Dacă doriți, putem analiza cazul dumneavoastră de utilizare și vă putem recomanda cea mai rentabilă abordare de etichetare și planul de asigurare a calității.
Hai să vorbim
Întrebări Frecvente (FAQ)
Adnotarea imaginilor este un subset de etichetare a datelor care este cunoscută și sub numele de etichetare, transcriere sau etichetare a imaginii, care implică oameni din backend, etichetând neobosit imaginile cu informații despre metadate și atribute care vor ajuta mașinile să identifice mai bine obiectele.
An instrument de adnotare/etichetare a imaginilor este un software care poate fi folosit pentru a eticheta imaginile cu informații despre metadate și atribute care vor ajuta mașinile să identifice mai bine obiectele.
Serviciile de etichetare/adnotare a imaginilor sunt servicii oferite de furnizori terți care etichetează sau adnotă o imagine în numele dvs. Ele oferă expertiza necesară, agilitate de calitate și scalabilitate la nevoie.
A etichetat/imagine adnotată este unul care a fost etichetat cu metadate care descriu imaginea, făcând-o ușor de înțeles de algoritmii de învățare automată.
Adnotare imagine pentru învățarea automată sau învățarea profundă este procesul de adăugare de etichete sau descrieri sau de clasificare a unei imagini pentru a afișa punctele de date pe care doriți să le recunoască modelul dvs. Pe scurt, se adaugă metadate relevante pentru a le face recunoscute de mașini.
Adnotare imagine presupune utilizarea uneia sau mai multor dintre aceste tehnici: casete de delimitare (2-d,3-d), reperare, poligoane, polilinii etc.