試しやすいケース
- 同じ種類の対象が多くの画像に繰り返し写っている
- 最初のお手本BBoxを正確に作れる
- 候補を人が全件確認する工程を確保できる
- 画像や学習データを基本的にPC内で扱いたい
物体検出の自動ラベリングを検討している方へ
自動で完成ではなく、候補から始める。
AnnoBoostは、少量の正しいBBoxからPC内で学習し、未確認画像へBBox候補を作ります。人が候補を確認・修正する前提なので、完全自動をうたう機能ではありません。
Windows版をダウンロードファイルは公開。アプリ利用には無料体験または有料プランの有効期間が必要です。
- BBox／物体検出専用
- 学習・候補生成はNVIDIA GPU
- 最終確認は人が行う
候補生成後の実画面
青いBBoxがモデルの候補です。写っている対象の抜け、不要な検出、クラス、重複、位置とサイズを人が確認します。
候補生成の操作手順を見るAnnoBoostの自動ラベルフロー
お手本を作る。PCで学習する。候補を直す。
ボタン一つで正解ラベルが完成するのではなく、学習用BBoxと人の確認を含む4段階の流れです。
- STEP 01
正しいBBoxを作る
代表画像に対象クラスとBBoxを設定し、学習のお手本を用意します。
- STEP 02
データセットを生成
作成したBBoxから、AnnoBoost内で学習に使うデータを準備します。
- STEP 03
PC内で学習
対応するNVIDIA GPUを使い、画像に合う物体検出モデルを学習します。
- STEP 04
候補を生成・確認
未確認画像へ候補を付け、人が誤りを直して確定します。
候補の品質確認
見るべき箇所を固定すると、確認のばらつきを減らせる。
候補精度は画像や学習条件で変わります。出力前に同じ観点で全画像を確認してください。
- 01
抜け
写っている対象にBBoxが付いていない箇所
- 02
誤検出
対象ではない背景や物体へ付いたBBox
- 03
クラス
対象と候補のクラス名が一致しているか
- 04
重複
同じ対象に複数のBBoxが重なっていないか
- 05
位置・サイズ
対象を切らず、不要な背景を含めすぎていないか
向いているデータと制約
対象の見え方が近い画像を繰り返し扱う作業に向いています。
期待値を合わせるポイント
- 未知の見え方や対象が多い画像では、候補が十分に付かない場合があります
- 候補精度と作業短縮率は、画像、BBox品質、GPU、学習設定で変わります
- セグメンテーション、姿勢推定、追跡ネイティブの作業には対応していません
- 学習・候補生成には対応するNVIDIA GPUが必要です
自動ラベル候補について
完全自動でラベルが完成しますか？
いいえ。AnnoBoostが作るのはBBox候補です。抜け、誤検出、クラス違い、重複、位置・サイズを人が確認し、修正して完成させます。
どのアノテーション種類に対応していますか？
現在の対象はBBox／物体検出です。セグメンテーション、姿勢・キーポイント、追跡ネイティブのワークフローは対象外です。
GPUがあれば同じ精度になりますか？
いいえ。候補品質は画像の見え方、クラス数、対象密度、最初のBBox品質、GPU、学習設定などで変わります。少量の実データで確認してください。
データをクラウドへアップロードしますか？
画像、アノテーション、モデルはPC内で処理・保存する設計です。初回サインインと定期的な利用状況の確認などにはインターネット接続を使います。
ダウンロードにアカウントは必要ですか？
インストーラーとZIPはアカウントなしで取得できます。アプリの利用には、無料体験または有料プランの有効期間中のサインインが必要です。
候補が使えるか、代表画像で確認する。
最初は小さな画像フォルダで、学習、候補生成、人の修正までを一度通して判断してください。