Image Labeler

Пометьте изображения для приложений компьютерного зрения

Описание

Приложение Image Labeler позволяет вам пометить достоверные данные в наборе изображений. Используя приложение, вы можете:

Задайте прямоугольные метки видимых областей (ROI), метки ROI ломаной линии, пиксельные метки ROI, метки ROI многоугольника и метки сцены. Используйте эти метки, чтобы интерактивно помечать ваши достоверные данные.
Используйте встроенные алгоритмы обнаружения или отслеживания, чтобы пометить ваши достоверные данные.
Запишите, импортируйте и используйте свой собственный алгоритм автоматизации, чтобы автоматически пометить основную истину. Смотрите Создают Алгоритм Автоматизации для Маркировки.
Оцените эффективность своих алгоритмов автоматизации метки с помощью визуальных сводных данных. Сводные данные Вида на море Меток Основной истины.
Экспортируйте помеченную основную истину как groundTruth объект. Можно использовать этот объект для системной верификации или для обучения сеть семантической сегментации или детектор объектов. Смотрите Обучающие данные для Обнаружения объектов и Семантической Сегментации.

Поддержки приложений Image Labeler все форматы файла изображения, поддержанные imread функционируйте и дополнительно поддерживает Цифровую Обработку изображений и Коммуникацию в Медицине (DICOM) формат. Чтобы считать дополнительные форматы файлов, можно создать imageDatastore и используйте ReadFcn свойство.

При загрузке изображений, если изображение имеет размерность, больше, чем 8 000 пикселей, или является изображением мультиразрешения, приложение Image Labeler предлагает вам опцию, чтобы преобразовать изображение в блокированное изображение. Блокированное изображение состоит из большого изображения, которое было разделено на меньшие блоки, которые могут уместиться в памяти. Если Image Labeler преобразует большое изображение в блокированный, можно обработать его в приложении, когда вы были бы любое другое изображение. В то время как использование блокированных изображений позволяет изображениям процесса в приложении, что вы не можете в противном случае смочь, существуют некоторые ограничения. Для получения дополнительной информации смотрите, Маркируют Large Images в Image Labeler.

Чтобы узнать больше об этом приложении, смотрите Начало работы с Image Labeler.

Откройте приложение Image Labeler

MATLAB^® Панель инструментов: На вкладке Apps, под Image Processing and Computer Vision, кликают по значку приложения.
Командная строка MATLAB: Войти imageLabeler.

Программируемое использование

развернуть все

`imageLabeler`

imageLabeler открывает новый сеанс приложения, позволяя вам пометить достоверные данные в изображениях.

`imageLabeler(imageFolder)`

imageLabeler(imageFolder) открывает приложение и загружает все изображения от папки под названием imageFolder.

Изображения в папке могут быть не упорядочены и могут отличаться по размеру. Чтобы пометить видео или набор упорядоченных изображений, напоминающих видео, используйте приложение Video Labeler.

`imageLabeler(imageDatastore)`

imageLabeler(imageDatastore) открывает приложение и читает все изображения от imageDatastore объект. ReadFcn свойство imageDatastore объект задает, как считать данные.

Например, чтобы открыть приложение с набором изображений знака Стоп:

   stopSignsFolder = fullfile(toolboxdir('vision'),'visiondata','stopSignImages');
   imds = imageDatastore(stopSignsFolder)
   imageLabeler(imds)

`imageLabeler(sessionFile)`

imageLabeler(sessionFile) открывает приложение и загружает сохраненный сеанс Image Labeler, sessionFile. sessionFile введите содержит путь и имя файла. MAT-файл, что sessionFile точки к содержат сохраненный сеанс.

`imageLabeler(gTruth)`

imageLabeler(gTruth) открывает приложение и загружает groundTruth объект. Источник данных объектов основной истины должен быть коллекцией изображений или imageDatastore.

Больше о

развернуть все

Метки ROI, подметки и атрибуты

На левой стороне приложения панель ROI Labels содержит определения метки видимой области (ROI), которые можно отметить на системах координат. Можно создать определения метки непосредственно из этой панели. В качестве альтернативы можно создать определения метки программно при помощи labelDefinitionCreator возразите и затем импортируйте эти определения метки в сеанс приложения.

Выбор метки ROI и инструмента для рисования для приложения

Можно использовать маркированные данные, чтобы подтвердить или обучить алгоритмы, такие как классификаторы изображений, детекторы объектов, и семантический и сети сегментации экземпляра. Рассмотрите свое заявление при выборе инструмента для рисования маркировки, чтобы создать метки ROI. Рисунок ниже показывает методы маркировки для четырех различных приложений.

Приложение	Маркируйте Types	Пример
Отобразите классификацию	N/A	Лодка, плоскость
Обнаружение объектов	Строка Прямоугольник Спроектированный прямоугольник
Семантическая Сегментация	Метка Pixel Многоугольник
Сегментация экземпляра	Многоугольник

Метки ROI

ROI label является меткой, которая соответствует видимой области (ROI) в системе координат сигнала. Таблица описывает поддерживаемые типы метки.

Метка ROI	Описание	Сцена
`Rectangle`	Чертите прямоугольные (ограничительные рамки) меток ROI вокруг объектов.
`Projected cuboid`	Чертите кубовидные метки ROI (3-D ограничительные рамки).
`Line`	Чертите линейные метки ROI, чтобы представлять линии. Чтобы чертить полилинейный ROI, используйте две или больше точки.
`Pixel label`	Присвойте метки пикселям для семантической сегментации. Можно пометить пиксели вручную с помощью многоугольников, кистей или заливки. Для получения дополнительной информации о пиксельной маркировке, смотрите, Маркируют Pixels for Semantic Segmentation.
`Polygon`	Чертите заполненный пикселем многоугольник, например, сегментация. Можно пометить отличные экземпляры того же класса. Для получения дополнительной информации о сегментации экземпляра, смотрите, Маркируют Objects Using Polygons

Подметки ROI

ROI sublabel является меткой ROI, которая принадлежит родительской метке. Используйте подметки ROI, чтобы обеспечить больший уровень детализации о ROI в ваших помеченных достоверных данных. Например, метка vehicle может содержать headlight, licensePlate и подметки wheel. Можно создать подметки только для прямоугольных и полилинейных меток. Для получения дополнительной информации о подметках, смотрите Подметки Использования и Атрибуты, чтобы Маркировать Ground Truth Data.

Атрибуты ROI

ROI attribute указывает дополнительную информацию о метке ROI или подметке. Например, в океанской сцене, атрибуты могут включать тип или цвет лодки. Таблица описывает поддерживаемые типы атрибута.

Припишите тип	Демонстрационное определение атрибута	Демонстрационные значения по умолчанию
`Numeric Value`
`String`
`Logical`
`List`

Для получения дополнительной информации об атрибутах, смотрите Подметки Использования и Атрибуты, чтобы Маркировать Ground Truth Data.

Алгоритмы

развернуть все

Можно использовать алгоритмы автоматизации метки, чтобы ускорить маркировку в рамках приложения. Чтобы создать ваш собственный алгоритм автоматизации метки, чтобы использовать в рамках приложения, смотрите, Создают Алгоритм Автоматизации для Маркировки. Можно также использовать один из встроенных алгоритмов путем выполнения этих шагов:

Импортируйте данные, которые вы хотите пометить, и создать по крайней мере одно определение метки.
На панели инструментов приложения нажмите Select Algorithm и выберите один из встроенных алгоритмов автоматизации.
Нажмите Automate, и затем следуйте инструкциям по автоматизации на правой панели окна автоматизации.

Детектор людей ACF

Обнаружьте и пометьте людей, использующих совокупные функции канала (ACF). Этот алгоритм на основе peopleDetectorACF функция. Чтобы использовать этот алгоритм, необходимо задать по крайней мере одну прямоугольную метку ROI. Вам не нужно рисовать какие-либо метки ROI.

Чтобы помочь улучшить результаты алгоритма, сначала нажмите Settings. Можно изменить любую из этих настроек.

Предварительно обученная модель детектора людей, которую алгоритм использует — 'inria-100x41' модель была обучена с помощью набора данных Inria person. 'caltech-50x21' модель была обучена с помощью набора пешеходных данных Калифорнийского технологического института.
Порог коэффициента перекрытия, от 0 до 1, для обнаружения людей - когда прямоугольник ROI перекрывается больше, чем этот порог, алгоритм отбрасывает один из ROI.
Классификационный порог оценки для обнаружения людей-увеличение балла для повышения достоверности прогноза алгоритма. Прямоугольники с баллами ниже этого порога отбрасываются.

Детектор транспортного средства ACF (требует Automated Driving Toolbox),

Обнаружьте и пометьте транспортные средства с помощью совокупных функций канала (ACF). Этот алгоритм на основе vehicleDetectorACF (Automated Driving Toolbox) функция. Чтобы использовать этот алгоритм, необходимо задать по крайней мере одну прямоугольную метку ROI. Вам не нужно рисовать какие-либо метки ROI.

Чтобы помочь улучшить результаты алгоритма, сначала нажмите Settings. Можно изменить любую из этих настроек.

Предварительно обученная модель детектора транспортного средства, которую алгоритм использует — 'full-view' модель была обучена с помощью незакрытых изображений передней стороны, задней части, покинутой, и правые стороны транспортных средств. 'front-rear-view' модель была обучена с помощью изображений только передних сторон и тыльных сторон транспортного средства.
Порог коэффициента перекрытия, от 0 до 1, для обнаружения транспортных средств - когда прямоугольник ROI перекрывается больше, чем этот порог, алгоритм отбрасывает один из ROI.
Порог классификационной оценки для обнаружения транспортных средств — Увеличение счет, чтобы увеличить доверие предсказания алгоритма. Прямоугольники с баллами ниже этого порога отбрасываются.

Можно также сконфигурировать детектор с калиброванной монокулярной камерой путем импорта monoCamera Объект (Automated Driving Toolbox) в рабочее пространство MATLAB. Укажите диапазоны длины и ширины транспортного средства в мировых единицах измерения, таких как метры.

Смотрите также

Приложения

Video Labeler | Ground Truth Labeler (Automated Driving Toolbox) | Lidar Labeler (Lidar Toolbox)

Документация

Image Labeler

Описание

Откройте приложение Image Labeler

Программируемое использование

`imageLabeler`

`imageLabeler(imageFolder)`

`imageLabeler(imageDatastore)`

`imageLabeler(sessionFile)`

`imageLabeler(gTruth)`

Больше о

Метки ROI, подметки и атрибуты

Алгоритмы

Детектор людей ACF

Детектор транспортного средства ACF (требует Automated Driving Toolbox),

Смотрите также

Приложения

Функции

Объекты

Темы

Документация Computer Vision Toolbox

Поддержка