Instructions for labeling images

En esta publicación, encontraran las especificaciones que tendra nuestro conjunto de entrenamiento, he decidido finalmente que comencemos un modelo mas pequeño para pruebas.

También he reflexionado sobre los objetos que detectaremos, en este caso seran los siguientes con el proposito de evitar falsos positivos en el modelo, etiquetaremos Aves, Aviones, Drones de cerca y Drones a distancia.

Nearby_Drone
Distant_Drone
Bird
Plane

Las clases se tienen que etiquetar de la siguiente forma.

Nearby_Drone
El objeto a etiquetar en este caso es el Dron ocupe mas del 60 % de la imagen (Que se encuentre cerca).

Distant_Drone
Drones que ocupen un espacio de menos del 30% de la imagen hasta un 10% (Que se encuentre lejos).

Bird
Pajaros de distintas especies que ocupen menos del 30% de la imagen. (No es nuestro objetivo detectarlos pero ayudara al modelo a distinguirlos, por este motivo no los detectaremos de cerca)

Plane
Aviones que ocupen menos del 60% de la imagen. (No es nuestro objetivo detectarlos pero ayudara al modelo a distinguirlos, por este motivo no los detectaremos de cerca)

Recuerden que el rectangulo (Conocido como bounding box) debera cubrir completamente el objeto, no debe sobrepasarlo, ni tampoco dejen espacios sin cubrirlo, necesitamos obtener 100 muestras de cada clase para empezar. Es decir este conjunto de datos contendrá un total de 400 imagenes. Si se pueden obtener mas ángulos de cada objeto es mejor.

Cada quien se hara cargo de etiquetar dos clases de la siguiente forma, recuerden que lo unico que se necesita para etiquetar las imagenes es el explorador donde utilizaremos Make Sense IA, exportaremos las etiquetas en el formato yolo.

Si bien se pueden tener mas de 100 imágenes, es importante respetar este limite, por lo que por el momento no es necesario agregar más, pero si ustedes consideran que unas imagénes son mejores que otras, las pueden cambiar, esto para que nuestro conjunto de datos tenga una buena calidad.

Aqui dejo el archivo de labels.txt

Isaac
Dataset_Aves Dataset_Aviones Bird = 100 Imágenes
Plane = 100 Imágenes
Gran Total = 200 Imagénes

Kevin
Dataset_D, Nearby_Drone = 100 Imágenes
Distant_Drone = 100 Imágenes
Total = 200 Imágenes

Nota: Si llegan a faltar imágenes para acompletar las 100 muestras, porfavor busquenlas por su cuenta si es necesario e incluso si consideran que algunas no son de buena calidad, cambienlas siempre y cuando cumplan con las especificaciones antes descritas.

Guia basica para usar MakeSense

1.- Entramos a la pagina de MakeSense y seleccionamos get started.
2.- Arrastramos las imágenes o hacemos click en el recuadro del centro para que no abra el cuadro de busqueda y las agregamos.

3.- Seleccionamos Object Detection

4.- Seleccionamos iniciar el projecto y omitimos la carga de etiquetas.

5.- Seleccionamos import annotations

6.- Seleccionamos el formato de Multiple files in YOLO…

7.- Seleccionamos labels.txt y nuestras etiquetas al mismo tiempo, para que se cargen juntos.

8.- Cuando este listo para importarse, seleccionamos Import

9.- Por defecto cuando se cargue la etiqueta se seleccionara la primera clase en este caso Nearby_Dron.

10.- Del lado superior derecho verificar que la etiqueta corresponda al objeto en cuestion, en caso no ser asi corregirlo y corregir las coordenadas del objeto.

Recuerden guardar las etiquetas generadas del proyecto, la aplicacion de makesense es un alpha y puede llegar a presentar errores. Para retomar el trabajo avanzado sera necesario extraer las etiquetas y en esa misma carpeta colocar el archivo labels.txt