अवलोकन
SurveyAnalytica का Image Tagging मॉड्यूल मशीन लर्निंग के लिए इमेज डेटासेट को व्यवस्थित करने, लेबल करने, और तैयार करने के लिए एक संपूर्ण वर्कफ़्लो प्रदान करता है। चाहे आप एक इमेज क्लासिफिकेशन मॉडल बना रहे हों, प्रोडक्ट कैटलॉग को क्यूरेट कर रहे हों, या सर्वेक्षणों से विज़ुअल कंटेंट का विश्लेषण कर रहे हों, Image Tagging टूल्स आपको AI-संचालित कंप्यूटर विज़न के माध्यम से ऑटो-टैगिंग, मैनुअल टैगिंग इंटरफ़ेस, बल्क ऑपरेशंस, और आपके analytics engine में सीधे एक्सपोर्ट की सुविधा देते हैं।
Image Tagging के साथ शुरुआत करना
इमेज अपलोड करना
Data Management विज़ार्ड के माध्यम से इमेज अपलोड करें। आप व्यक्तिगत इमेज, एक साथ कई इमेज, या फ़ोल्डरों में व्यवस्थित इमेज वाला एक ZIP आर्काइव अपलोड कर सकते हैं। समर्थित इमेज फ़ॉर्मेट में PNG, JPG, JPEG, GIF, BMP, और WebP शामिल हैं।
इमेज को इंडेक्स करना
अपलोड करने के बाद, इमेज को इंडेक्स करने की आवश्यकता होती है। इंडेक्सिंग प्रक्रिया आपकी अपलोड की गई फ़ाइलों को स्कैन करती है और पूर्ण मेटाडेटा के साथ image tagging डेटाबेस में रिकॉर्ड बनाती है। अपने इमेज डेटासेट पर जाएँ और सिस्टम स्वचालित रूप से आपके अपलोड फ़ोल्डरों से इमेज को इंडेक्स करने का प्रयास करेगा।
इंडेक्सिंग के दौरान, सिस्टम निम्नलिखित निकालता है:
- फ़ाइल मेटाडेटा: फ़ाइल नाम, एक्सटेंशन, आकार, कंटेंट प्रकार, अपलोड तिथि
- फ़ोल्डर संरचना: पाथ सेगमेंट, पैरेंट फ़ोल्डर
- क्लासिफिकेशन संकेत: फ़ोल्डर नामों से क्लास नामों और फ़ोल्डर पाथ से train/test/validation स्प्लिट संकेतकों का स्वचालित रूप से पता लगाता है
- सुझाए गए टैग: फ़ोल्डर-आधारित क्लास नामों और स्प्लिट असाइनमेंट से जेनरेट किए गए
सभी मौजूदा इमेज रिकॉर्ड को हटाने और शुरू से इंडेक्स करने के लिए Force re-index का उपयोग करें।
कंप्यूटर विज़न के साथ ऑटो-टैगिंग
ऑटो-टैगिंग फ़ीचर इमेज का स्वचालित रूप से विश्लेषण करने और वर्णनात्मक टैग जेनरेट करने के लिए AI-संचालित कंप्यूटर विज़न का उपयोग करता है।
ऑटो-टैग कैसे करें
- अपने इमेज डेटासेट पर जाएँ।
- प्रक्रिया शुरू करने के लिए Auto-Tag पर क्लिक करें।
- सिस्टम बैच में सभी इमेज को प्रोसेस करता है, कंप्यूटर विज़न का उपयोग करके प्रत्येक इमेज का विश्लेषण करता है।
- परिणामों को टैग, कॉन्फिडेंस स्कोर, और ऑटो-जेनरेटेड के रूप में चिह्नित स्रोत के साथ सहेजा जाता है।
टैग संरचना
प्रत्येक टैग में शामिल है:
- tag: लेबल टेक्स्ट (जैसे, “dog”, “outdoor”, “mountain”)
- source: टैग कैसे बनाया गया — auto-generated, manual, folder, classification, split
- confidence: टैग की निश्चितता को दर्शाने वाला 0 से 1 तक का स्कोर
- approved: बूलियन जो दर्शाता है कि टैग की समीक्षा और अनुमोदन किया गया है या नहीं
मैनुअल टैगिंग
आप किसी भी इमेज से टैग को मैन्युअल रूप से जोड़, संपादित, या हटा सकते हैं:
- टैग जोड़ें: नए टैग नाम टाइप करें और उन्हें व्यक्तिगत इमेज या बल्क में असाइन करें।
- टैग संपादित करें: मौजूदा टैग लेबल या कॉन्फिडेंस स्कोर को संशोधित करें।
- टैग हटाएँ: गलत या अवांछित टैग को हटाएँ।
- टैग अनुमोदित करें: ऑटो-जेनरेटेड टैग की समीक्षा करें और उन्हें अनुमोदित के रूप में चिह्नित करें।
बल्क ऑपरेशंस
बड़े डेटासेट के लिए, बल्क ऑपरेशंस आवश्यक हैं:
बल्क टैग
एक साथ कई इमेज पर टैग लागू करें। आप इनके द्वारा इमेज को लक्षित कर सकते हैं:
- स्पष्ट इमेज ID: टैग करने के लिए विशिष्ट इमेज चुनें।
- फ़िल्टर मानदंड: किसी स्प्लिट, क्लास नाम, या फ़ोल्डर से मेल खाने वाली सभी इमेज पर टैग लागू करें।
- मोड: मौजूदा टैग को हटाए बिना टैग जोड़ने के लिए “append” चुनें, या सभी टैग को ओवरराइट करने के लिए “replace” चुनें।
बल्क अनुमोदन
एक साथ कई इमेज में टैग की समीक्षा और अनुमोदन करें। चयनित इमेज के लिए या पूरे डेटासेट के लिए सभी टैग अनुमोदित करें।
सुझावों को प्रोन्नत करें
सुझाए गए टैग (फ़ोल्डर संरचना, फ़ाइल नामों, या स्प्लिट डिटेक्शन से जेनरेट किए गए) को पुष्ट टैग में बदलें। प्रोन्नत करने के लिए सुझाव स्रोत चुनें (folder, split, filename)।
बल्क पुनर्स्थापना
एक साथ कई इमेज के लिए टैग को पुनर्स्थापित करें, जो बल्क परिवर्तनों के बाद पूर्ववत करने वाले ऑपरेशंस के लिए उपयोगी है।
फ़िल्टरिंग और खोज
image tagging इंटरफ़ेस शक्तिशाली फ़िल्टरिंग प्रदान करता है:
- स्प्लिट द्वारा: train, test, validation, या dev स्प्लिट द्वारा इमेज फ़िल्टर करें
- क्लास नाम द्वारा: पहचाने गए या असाइन किए गए क्लास लेबल द्वारा फ़िल्टर करें
- फ़ोल्डर द्वारा: स्रोत फ़ोल्डर द्वारा फ़िल्टर करें
- खोज द्वारा: फ़ाइल नाम या इमेज ID द्वारा खोजें
- टैग स्थिति द्वारा: untagged, tagged, या approved इमेज देखें
फ़ैसेट को कैस्केडिंग व्यवहार के साथ गतिशील रूप से गणना की जाती है — एक स्प्लिट फ़िल्टर चुनने से उपलब्ध क्लास नाम तदनुसार अपडेट हो जाते हैं।
सॉर्टिंग विकल्प
- फ़ाइल नाम (आरोही/अवरोही)
- तिथि (आरोही/अवरोही)
- टैग गणना (आरोही/अवरोही)
इमेज बहिष्करण
समस्याग्रस्त इमेज को बिना हटाए अपने डेटासेट से बाहर करें:
- इमेज को किसी कारण के साथ बहिष्कृत के रूप में चिह्नित करें (manual, duplicate, low quality, आदि)
- आवश्यकता पड़ने पर बहिष्कृत इमेज को पुनर्स्थापित करें
- कारण के अनुसार विभाजित बहिष्कृत इमेज गणना देखें
- प्रशिक्षण डेटा जनरेशन के दौरान बहिष्कृत इमेज को स्वचालित रूप से फ़िल्टर कर दिया जाता है
इमेज आँकड़े
image stats फ़ीचर आपके डेटासेट के बारे में विस्तृत मेटाडेटा प्रदान करता है:
- आयाम: सभी इमेज में न्यूनतम, अधिकतम, माध्य, और मध्यिका चौड़ाई और ऊँचाई
- फ़ॉर्मेट: इमेज फ़ॉर्मेट का वितरण (JPEG, PNG, आदि)
- फ़ाइल आकार: KB में न्यूनतम, अधिकतम, माध्य फ़ाइल आकार और MB में कुल आकार
- आउटलायर: मध्यिका से 3 गुना से अधिक आयाम वाली इमेज, समीक्षा के लिए फ़्लैग की गई
क्लासिफिकेशन वर्कफ़्लो
इमेज क्लासिफिकेशन मॉडल बनाने के लिए, प्लेटफ़ॉर्म एक संपूर्ण क्लासिफिकेशन पाइपलाइन प्रदान करता है:
डेटासेट संरचना का विश्लेषण करें
सिस्टम क्लास, स्प्लिट, और अवर्गीकृत इमेज का पता लगाने के लिए आपकी फ़ोल्डर संरचना को स्कैन करता है। यह मानक फ़ोल्डर विश्लेषण और AI-संचालित स्मार्ट विश्लेषण दोनों का समर्थन करता है।
लेबल असाइनमेंट
लेबल को कई स्रोतों से असाइन किया जा सकता है:
- फ़ोल्डर संरचना: सबफ़ोल्डर नामों से स्वचालित रूप से पता लगाया गया
- CSV फ़ाइल: फ़ाइलनाम-से-लेबल मैपिंग वाली CSV फ़ाइल अपलोड करें या चुनें। सिस्टम स्वचालित रूप से फ़ाइलनाम और लेबल कॉलम का पता लगाता है।
- मौजूदा टैग: अनुमोदित इमेज टैग को क्लासिफिकेशन लेबल में बदलें।
- मैनुअल असाइनमेंट: UI के माध्यम से विशिष्ट इमेज को लेबल असाइन करें।
क्लास असंतुलन पहचान
प्लेटफ़ॉर्म क्लास वितरण का विश्लेषण करता है और रिपोर्ट करता है:
- प्रति-क्लास गणना और प्रतिशत
- असंतुलन अनुपात (सबसे बड़ी क्लास / सबसे छोटी क्लास)
- गंभीरता स्तर (low, moderate, high)
- संतुलन के लिए सिफ़ारिशें (undersample, oversample, या अधिक डेटा एकत्र करें)
डेटासेट संतुलन
बड़ी क्लास से अतिरिक्त इमेज को बाहर करके (undersampling) अपने डेटासेट को स्वचालित रूप से संतुलित करें। सिस्टम पुनरुत्पादकता के लिए एक निश्चित सीड के साथ रैंडम सैंपलिंग का उपयोग करता है।
प्रशिक्षण डेटा जनरेशन
कॉन्फ़िगर करने योग्य अनुपातों के साथ train/validation/test स्प्लिट जनरेट करें:
- डिफ़ॉल्ट स्प्लिट: 70% train, 15% validation, 15% test
- स्ट्रेटिफ़ाइड सैंपलिंग: सुनिश्चित करता है कि प्रत्येक क्लास प्रत्येक स्प्लिट में आनुपातिक रूप से प्रस्तुत हो
- एक्सपोर्ट फ़ॉर्मेट: फ़ोल्डर संरचना (train/val/test फ़ोल्डर में व्यवस्थित इमेज) और CSV मैनिफ़ेस्ट
- बहिष्कृत इमेज को छोड़ें: प्रशिक्षण डेटा से बहिष्कृत इमेज को स्वचालित रूप से फ़िल्टर करता है
डेटा एक्सपोर्ट करना
एनालिटिक्स के लिए अनुमोदित टैग और इमेज मेटाडेटा एक्सपोर्ट करें। एक्सपोर्ट इमेज ID, फ़ाइल पाथ, फ़ाइल नाम, टैग, और कस्टम फ़ील्ड के साथ एक संरचित डेटासेट बनाता है, जो आपके इमेज डेटासेट के विश्लेषण को सक्षम बनाता है।
टैग इतिहास
सभी टैगिंग ऑपरेशंस को एक हिस्ट्री लॉग में दर्ज किया जाता है, जिसमें बल्क ऑपरेशंस, मैनुअल संपादन, प्रोन्नति, अनुमोदन, और पुनर्स्थापन शामिल हैं। यह समय के साथ आपके डेटासेट को कैसे क्यूरेट किया गया, इसका एक संपूर्ण ऑडिट ट्रेल प्रदान करता है।