Périphériques technologiques
IA
15 outils d'annotation d'images gratuits open source recommandés
15 outils d'annotation d'images gratuits open source recommandés
L'annotation d'image est le processus d'association d'étiquettes ou d'informations descriptives à des images pour donner une signification et une explication plus profondes au contenu de l'image. Ce processus est essentiel à l’apprentissage automatique, qui permet d’entraîner les modèles de vision à identifier plus précisément les éléments individuels des images. En ajoutant des annotations aux images, l'ordinateur peut comprendre la sémantique et le contexte derrière les images, améliorant ainsi la capacité de comprendre et d'analyser le contenu de l'image. L'annotation d'images a un large éventail d'applications, couvrant de nombreux domaines, tels que la vision par ordinateur, le traitement du langage naturel et les graphiques.
Les modèles visuels ont un large éventail d'applications, comme aider les véhicules à identifier les obstacles sur la route, aider à la détection. et le diagnostic des maladies grâce à l'identification d'images médicales.
Cet article recommande principalement de meilleurs outils d'annotation d'images open source et gratuits.
1.Makesense.ai
https://www.php.cn/link/9e411b2d0cbcc1d9cd8775e89e96774f
https://www.php.cn/link/47af10 c4c96329531345635a4baa9
Makesense.ai est un outil multiplateforme en ligne gratuit pour étiqueter des photos, parfait pour les petits projets d'apprentissage profond en vision par ordinateur. Il simplifie la préparation des ensembles de données et les étiquettes peuvent être téléchargées dans plusieurs formats. L'application est écrite en TypeScript et développée sur la base du framework React/Redux. Il intègre des modèles d'IA avancés tels que YOLOv, SSD pré-entraîné sur l'ensemble de données COCO et PoseNet pour automatiser l'annotation d'images. La fonction IA est basée sur le framework TensorFlow.js, qui garantit la confidentialité et la sécurité des données car les photos n'ont pas besoin d'être transmises au serveur.
2.Labelme
https://www.php.cn/link/fd8979ada2fd5bab05e9c5f035a5c4c7
Labelme est un outil d'étiquetage d'images basé sur Python qui prend en charge différents types d'étiquetage et permet de personnaliser Interface graphique. Les ensembles de données aux formats VOC et COCO peuvent être exportés pour la segmentation sémantique et d'instance.
Caractéristiques :
- Prend en charge les annotations de polygones, rectangles, cercles, lignes, points et marques au niveau de l'image
- Disponible pour Ubuntu, macOS et Windows
- Enregistrer les informations d'annotation sous forme de fichier JSON
- Exemple d'utilisation avancée
- Markup Attribuer à image entière
- Attribuez des légendes à des visages individuels
3. Xtreme1 est un outil d'étiquetage multimodal. Une plate-forme open source pour la formation des données qui améliore l'efficacité de l'annotation, de la gestion et de la gestion des ontologies. Ses outils d'intelligence artificielle sont conçus pour améliorer l'efficacité des projets de détection d'objets 2D/3D, de segmentation d'instances 3D et de fusion de caméras lidar.
Caractéristiques :Prend en charge l'annotation des données pour les images, les ensembles de données de fusion de capteurs 3D LiDAR et 2D/3D
Les modèles pré-étiquetés et interactifs intégrés prennent en charge la détection, la segmentation et la classification d'objets 2D/3D 
- Visualisation des résultats du modèle pour aider à l'évaluation du modèle
- Pour les grands modèles de langage RLHF (version bêta)
- Facile à installer à l'aide de Docker ou à partir des sources
- 4.Label Studio
- https://www.php.cn/link/359f449e012b58f30cbc80ea8b9e794a
Label Studio est un Open outils sources pour l'étiquetage des données types tels que l’audio, le texte, les images, les vidéos et les séries chronologiques.
- Il possède une interface conviviale, peut exporter des données dans des formats standardisés, prend en charge des modèles d'apprentissage automatique intégrés et peut être personnalisé pour des projets spécifiques.
- Il est basé sur la licence open source Apache-2.0.
5. Lostthttps://www.php.cn/link/254b6cccc84A3B7E5C6967C9EF656E
LOST (Label Object and Save Time) est un outil de collaboration d'images basé sur le Web. Il fournit des pipelines d'annotation prédéfinis pour l'annotation d'images à la volée sans connaissances en programmation, mais permet également aux utilisateurs de définir des pipelines d'annotation. 
L'application est extensible et peut facilement se connecter à des systèmes de fichiers externes tels que S3 Bucket ou Azure Blobstorage. Il peut être configuré localement ou sur un serveur Web et aide les organisations à créer des arborescences de balises, à surveiller le processus de balisage et le balisage dans le navigateur.
Caractéristiques principales :
Cadre d'annotation d'images collaboratif basé sur le Web Pipeline d'annotation prédéfini pour une annotation d'image instantanée- Pipeline d'annotation personnalisée
- Application extensible
- Connectez-vous facilement à des systèmes de fichiers externes comme S3 Bucket ou Azure Blobstorage
- Visualisez le processus d'annotation dans le navigateur
- Peut être configuré localement ou sur le serveur Web
- Prend en charge l'organisation des arbres de balises
- Surveillez le processus d'annotation
- Prend en charge les annotations dans le navigateur
- Possibilité de pipeline d'annotation semi-automatique pour la modélisation
- Génération de suggestions d'annotations
- Outil d'annotation d'image unique (SIA) pour annoter des bbox, des polygones, des points ou des lignes
- Outil d'annotation multi-images (MIA) pour annoter des groupes d'images entiers
- Fonctions d'annotation d'exportation
- Statistiques d'annotation basées sur des individus et des projets
- Arbres de balises colorés pour l'organisation des balises
- Afficher les fonctions d'annotation
- Import et export de projets de pipeline
- Partage de projets de pipeline
- Intégrer Jupyter-Lab pour développer facilement des pipelines
- LDAP intégré
- Notifications par e-mail
- Conception évolutive pour une distribution intensive processus informatiques sur plusieurs machines
- 6.CVAT
https://www.php.cn/link/4d91e93c7905243a769485162b66e3dc
CVAT (outil d'annotation de vision par ordinateur) est un outil interactif pour la vidéo et l'image annotation, largement utilisée en vision par ordinateur. Il prend en charge une approche de l'intelligence artificielle centrée sur les données et est disponible en ligne gratuitement ou avec abonnement pour des fonctionnalités supplémentaires. CVAT peut également être installé en privé et offre un support d'entreprise pour les fonctionnalités avancées.
https://www.php.cn/link/388ac20c845a327f97edece8acba6237
Gromit-MPX est un outil d'annotation dans l'environnement de bureau Unix sur lequel les utilisateurs peuvent directement dessiner. le écran Dessinez et mettez en surbrillance des points d’intérêt pour améliorer votre présentation.
https://www.php.cn/link/6afea581e2d33bf935e94036b41979b2
Formats de données pris en charge :
- Dessinez des cadres de délimitation et des polygones pour l'annotation d'objets
- Utilisez des fonctionnalités pour les opérations de polygones pour modifier, supprimer et ajouter de nouveaux points
- Prend en charge divers formats d'ensembles de données
- Prend en charge l'annotation automatique à l'aide du modèle "COCO-SSD"
- Exécutions locales à maintenir confidentialité des données
- Permet l'importation et la poursuite du traitement de projets d'annotation existants
- Peut être utilisé pour convertir des ensembles de données d'un format à un autre
9. LabelImg
https://www php.cn/link/112a8e92dcedcda4237de18e9126b2. d2
LabelImg est un outil d'annotation d'images populaire qui a rejoint la communauté Label Studio et n'est plus activement développé. Label Studio est un outil flexible d'étiquetage de données open source pour différents types de données, notamment les images, le texte, l'audio, la vidéo et les données de séries chronologiques.
Les informations d'annotation dans LabelImg sont enregistrées au format PASCAL VOC. De plus, elles prennent également en charge les formats YOLO et XML.
10.Coco Annotator
https://www.php.cn/link/e3743b463beb38a2a24eebe5ecbad410
COCO Annotator est un outil Web d'étiquetage d'images efficace et polyvalent conçu pour entraîner le positionnement d'images et la détection d'objets afin créer un ensemble de données.
Les fonctionnalités qu'il fournit incluent le marquage de segments, le suivi des instances d'objet et le marquage d'objets avec des parties visibles déconnectées. Il stocke et exporte des notes au format COCO via une interface intuitive et personnalisable.
Caractéristiques :
- Outil basé sur We
- Étiquetage d'images efficace et polyvalent
- Conçu pour la création de données de formation pour la localisation d'images et la détection d'objets
- Étiquetage de segments
- Suivi des instances d'objet
- Étiquetage avec déconnexions
- Stockage et exportation annotations au format COCO
- Interface intuitive et personnalisable
- Permet aux utilisateurs de définir manuellement des zones dans l'image
- Créer des descriptions de texte
- via des cadres de délimitation, des outils de masquage ou des points de marquage Marqueurs d'objets
- Annotations de courbes ou de polygones de forme libre
- Direct exporter au format COCO
- Segmentation des objets
- Possibilité d'ajouter des points clés
- Points de terminaison API utiles pour l'analyse des données
- Importer des ensembles de données au format COCO
- Annoter les objets déconnectés en tant qu'instances uniques
- Étiqueter les fragments d'image simultanément avec n'importe quel nombre d'étiquettes
- Permet des métadonnées personnalisées pour chaque instance ou objet
- Outils de sélection avancés tels que DEXTR, MaskRCNN et Magic Wand
- Utilisez la moitié des images d'annotation du modèle de formation
- Utilisez des images Google pour générer des ensembles de données
- Système d'authentification utilisateur
11.Universal Data Tool
https://www.php.cn/link/c4dc035d67bc669546c560622ac4bdd4
Universal Data Tool est une application polyvalente permettant d'éditer et d'annoter des types de données tels que des images, du texte, de l'audio et des documents. Il prend en charge des tâches telles que la segmentation d'images, la classification de texte et la transcription audio. L'outil permet une collaboration en temps réel, fonctionne sur diverses plates-formes et prend en charge plusieurs formats de données.
12.RectLabel
https://www.php.cn/link/1b31a4f23c784d5b162a3066fa9aaf4f
Label est un outil d'annotation d'images hors ligne qui peut être utilisé pour la détection et la segmentation d'objets.
Caractéristiques principales :
- Étiquetez les visages et les pixels à l'aide du modèle Segment Anything
- Étiquetage automatique à l'aide des modèles Core ML
- Reconnaissance automatique du texte des lignes et des mots
- Étiquetez les visages à l'aide de trous
- Annotez les courbes de Bézier cubiques, les segments de ligne et les points
- dans l'imagerie aérienne Cadres de délimitation orientés étiquettes
- Marquez les points clés à l'aide de squelettes
- Marquez les pixels à l'aide de pinceaux et de superpixels
- Configurez rapidement des objets, des propriétés, des raccourcis clavier et des étiquettes
- Recherchez des objets, des propriétés et des noms d'images dans la vue Galerie
- Exportez au format COCO , Labelme, COML, YOLO, DOTA et CSV
- Exportez des images de masque de couleur indexées et des images de masque en niveaux de gris
- Vidéos vers des cadres d'image, des images améliorées et plus encore.
13.OpenLabeling
https://www.php.cn/link/03c4207fa67ee3ea4f42c748980eda86
OpenLabeling est un outil open source pour étiqueter des images et des vidéos. Il prend en charge plusieurs formats tels que PASCAL VOC et YOLO Darknet.
Cet outil a été utilisé pour : les modèles de détection d'objets d'apprentissage profond, les réseaux siamois sensibles aux interférences pour le suivi visuel des objets, le suivi des boîtes englobantes et le tracker OpenCV pour le suivi des objets vidéo.
14.bbox-visualizer
https://www.php.cn/link/ed71773d43d53fa70ecf593c6582d9cc
bbox-visualizer peut aider les utilisateurs à dessiner des cadres de délimitation autour des objets, éliminant ainsi les mathématiques complexes liées aux besoins de calcul du positionnement des étiquettes. . Il fournit différents types de visualisation pour étiqueter les objets après reconnaissance. Le format de données des points du cadre de délimitation est : (xmin, ymin, xmax, ymax).
15.PixelAnnotationTool
https://www.php.cn/link/2e3e809d4082093c8bbf499ae9966cfc
PixelAnnotationTool est un outil qui peut utiliser OpenC V L'algorithme de bassin versant est un outil d'annotation manuelle rapide des images dans les catalogues.
Les utilisateurs peuvent marquer manuellement les zones avec un pinceau, puis démarrer l'algorithme. Si la segmentation initiale doit être corrigée, l'utilisateur peut redessiner de nouvelles annotations de région sur les régions erronées.
Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!
Outils d'IA chauds
Undresser.AI Undress
Application basée sur l'IA pour créer des photos de nu réalistes
AI Clothes Remover
Outil d'IA en ligne pour supprimer les vêtements des photos.
Undress AI Tool
Images de déshabillage gratuites
Clothoff.io
Dissolvant de vêtements AI
AI Hentai Generator
Générez AI Hentai gratuitement.
Article chaud
Outils chauds
Bloc-notes++7.3.1
Éditeur de code facile à utiliser et gratuit
SublimeText3 version chinoise
Version chinoise, très simple à utiliser
Envoyer Studio 13.0.1
Puissant environnement de développement intégré PHP
Dreamweaver CS6
Outils de développement Web visuel
SublimeText3 version Mac
Logiciel d'édition de code au niveau de Dieu (SublimeText3)
Cet article vous amènera à comprendre SHAP : explication du modèle pour l'apprentissage automatique
Jun 01, 2024 am 10:58 AM
Dans les domaines de l’apprentissage automatique et de la science des données, l’interprétabilité des modèles a toujours été au centre des préoccupations des chercheurs et des praticiens. Avec l'application généralisée de modèles complexes tels que l'apprentissage profond et les méthodes d'ensemble, la compréhension du processus décisionnel du modèle est devenue particulièrement importante. Explainable AI|XAI contribue à renforcer la confiance dans les modèles d'apprentissage automatique en augmentant la transparence du modèle. L'amélioration de la transparence des modèles peut être obtenue grâce à des méthodes telles que l'utilisation généralisée de plusieurs modèles complexes, ainsi que les processus décisionnels utilisés pour expliquer les modèles. Ces méthodes incluent l'analyse de l'importance des caractéristiques, l'estimation de l'intervalle de prédiction du modèle, les algorithmes d'interprétabilité locale, etc. L'analyse de l'importance des fonctionnalités peut expliquer le processus de prise de décision du modèle en évaluant le degré d'influence du modèle sur les fonctionnalités d'entrée. Estimation de l’intervalle de prédiction du modèle
Identifier le surapprentissage et le sous-apprentissage grâce à des courbes d'apprentissage
Apr 29, 2024 pm 06:50 PM
Cet article présentera comment identifier efficacement le surajustement et le sous-apprentissage dans les modèles d'apprentissage automatique grâce à des courbes d'apprentissage. Sous-ajustement et surajustement 1. Surajustement Si un modèle est surentraîné sur les données de sorte qu'il en tire du bruit, alors on dit que le modèle est en surajustement. Un modèle surajusté apprend chaque exemple si parfaitement qu'il classera mal un exemple inédit/inédit. Pour un modèle surajusté, nous obtiendrons un score d'ensemble d'entraînement parfait/presque parfait et un score d'ensemble/test de validation épouvantable. Légèrement modifié : "Cause du surajustement : utilisez un modèle complexe pour résoudre un problème simple et extraire le bruit des données. Parce qu'un petit ensemble de données en tant qu'ensemble d'entraînement peut ne pas représenter la représentation correcte de toutes les données."
L'évolution de l'intelligence artificielle dans l'exploration spatiale et l'ingénierie des établissements humains
Apr 29, 2024 pm 03:25 PM
Dans les années 1950, l’intelligence artificielle (IA) est née. C’est à ce moment-là que les chercheurs ont découvert que les machines pouvaient effectuer des tâches similaires à celles des humains, comme penser. Plus tard, dans les années 1960, le Département américain de la Défense a financé l’intelligence artificielle et créé des laboratoires pour poursuivre son développement. Les chercheurs trouvent des applications à l’intelligence artificielle dans de nombreux domaines, comme l’exploration spatiale et la survie dans des environnements extrêmes. L'exploration spatiale est l'étude de l'univers, qui couvre l'ensemble de l'univers au-delà de la terre. L’espace est classé comme environnement extrême car ses conditions sont différentes de celles de la Terre. Pour survivre dans l’espace, de nombreux facteurs doivent être pris en compte et des précautions doivent être prises. Les scientifiques et les chercheurs pensent qu'explorer l'espace et comprendre l'état actuel de tout peut aider à comprendre le fonctionnement de l'univers et à se préparer à d'éventuelles crises environnementales.
Implémentation d'algorithmes d'apprentissage automatique en C++ : défis et solutions courants
Jun 03, 2024 pm 01:25 PM
Les défis courants rencontrés par les algorithmes d'apprentissage automatique en C++ incluent la gestion de la mémoire, le multithread, l'optimisation des performances et la maintenabilité. Les solutions incluent l'utilisation de pointeurs intelligents, de bibliothèques de threads modernes, d'instructions SIMD et de bibliothèques tierces, ainsi que le respect des directives de style de codage et l'utilisation d'outils d'automatisation. Des cas pratiques montrent comment utiliser la bibliothèque Eigen pour implémenter des algorithmes de régression linéaire, gérer efficacement la mémoire et utiliser des opérations matricielles hautes performances.
Une seule carte exécute Llama 70B plus rapidement que deux cartes, Microsoft vient de mettre le FP6 dans l'Open source A100 |
Apr 29, 2024 pm 04:55 PM
Le FP8 et la précision de quantification inférieure en virgule flottante ne sont plus le « brevet » du H100 ! Lao Huang voulait que tout le monde utilise INT8/INT4, et l'équipe Microsoft DeepSpeed a commencé à exécuter FP6 sur A100 sans le soutien officiel de NVIDIA. Les résultats des tests montrent que la quantification FP6 de la nouvelle méthode TC-FPx sur A100 est proche ou parfois plus rapide que celle de INT4, et a une précision supérieure à celle de cette dernière. En plus de cela, il existe également une prise en charge de bout en bout des grands modèles, qui ont été open source et intégrés dans des cadres d'inférence d'apprentissage profond tels que DeepSpeed. Ce résultat a également un effet immédiat sur l'accélération des grands modèles : dans ce cadre, en utilisant une seule carte pour exécuter Llama, le débit est 2,65 fois supérieur à celui des cartes doubles. un
IA explicable : Expliquer les modèles IA/ML complexes
Jun 03, 2024 pm 10:08 PM
Traducteur | Revu par Li Rui | Chonglou Les modèles d'intelligence artificielle (IA) et d'apprentissage automatique (ML) deviennent aujourd'hui de plus en plus complexes, et le résultat produit par ces modèles est une boîte noire – impossible à expliquer aux parties prenantes. L'IA explicable (XAI) vise à résoudre ce problème en permettant aux parties prenantes de comprendre comment fonctionnent ces modèles, en s'assurant qu'elles comprennent comment ces modèles prennent réellement des décisions et en garantissant la transparence des systèmes d'IA, la confiance et la responsabilité pour résoudre ce problème. Cet article explore diverses techniques d'intelligence artificielle explicable (XAI) pour illustrer leurs principes sous-jacents. Plusieurs raisons pour lesquelles l’IA explicable est cruciale Confiance et transparence : pour que les systèmes d’IA soient largement acceptés et fiables, les utilisateurs doivent comprendre comment les décisions sont prises
Cinq écoles d'apprentissage automatique que vous ne connaissez pas
Jun 05, 2024 pm 08:51 PM
L'apprentissage automatique est une branche importante de l'intelligence artificielle qui donne aux ordinateurs la possibilité d'apprendre à partir de données et d'améliorer leurs capacités sans être explicitement programmés. L'apprentissage automatique a un large éventail d'applications dans divers domaines, de la reconnaissance d'images et du traitement du langage naturel aux systèmes de recommandation et à la détection des fraudes, et il change notre façon de vivre. Il existe de nombreuses méthodes et théories différentes dans le domaine de l'apprentissage automatique, parmi lesquelles les cinq méthodes les plus influentes sont appelées les « Cinq écoles d'apprentissage automatique ». Les cinq grandes écoles sont l’école symbolique, l’école connexionniste, l’école évolutionniste, l’école bayésienne et l’école analogique. 1. Le symbolisme, également connu sous le nom de symbolisme, met l'accent sur l'utilisation de symboles pour le raisonnement logique et l'expression des connaissances. Cette école de pensée estime que l'apprentissage est un processus de déduction inversée, à travers les connaissances existantes.
Les indicateurs du MoE open source national explosent : capacités de niveau GPT-4, le prix de l'API n'est que de 1 %
May 07, 2024 pm 05:34 PM
Le dernier modèle open source national à grande échelle du MoE est devenu populaire juste après ses débuts. Les performances de DeepSeek-V2 atteignent le niveau GPT-4, mais il est open source, gratuit pour un usage commercial et le prix de l'API ne représente que 1 % de celui de GPT-4-Turbo. Par conséquent, dès sa sortie, il a immédiatement déclenché de nombreuses discussions. À en juger par les indicateurs de performance publiés, les capacités chinoises complètes de DeepSeekV2 dépassent celles de nombreux modèles open source. Dans le même temps, les modèles fermés tels que GPT-4Turbo et Wenkuai 4.0 sont également au premier échelon. La maîtrise complète de l'anglais se situe également au même premier échelon que LLaMA3-70B et surpasse Mixtral8x22B, qui est également un MoE. Il montre également de bonnes performances en connaissances, mathématiques, raisonnement, programmation, etc. Et prend en charge le contexte 128K. Imaginez ceci
