Rotulagem de Dados

A rotulagem de dados é o processo fundamental de identificar dados brutos — como imagens, fotogramas de vídeo, texto ou áudio — e adicionar etiquetas informativas ou metadados para fornecer contexto. No domínio da aprendizagem automática (ML), os algoritmos não conseguem compreender inerentemente o mundo físico; eles precisam de um «professor» para os orientar. Essa orientação vem na forma de conjuntos de dados rotulados usados durante a aprendizagem supervisionada. As etiquetas servem como verdade fundamental, representando as respostas corretas que o modelo se esforça para prever. Seja no treinamento de um classificador simples ou de uma arquitetura complexa como o Ultralytics , a precisão, a consistência e a qualidade dessas etiquetas são os principais determinantes do sucesso de um modelo.

Rotulagem de dados vs. Anotação de dados

Embora os termos sejam frequentemente usados de forma intercambiável em conversas informais, há uma distinção sutil que vale a pena notar. "Rotulagem de dados" geralmente refere-se ao ato amplo de atribuir uma categoria ou etiqueta a um dado (por exemplo, marcar um e-mail como "spam"). Em contrapartida, a anotação de dados é frequentemente mais específica da visão computacional (CV), envolvendo a delimitação precisa de objetos usando caixas delimitadoras, polígonos ou pontos-chave. No entanto, na maioria dos fluxos de trabalho de operações de ML (MLOps), ambos os termos descrevem a criação de dados de treino de alta qualidade.

Tipos de chaves na visão computacional

O método de rotulagem muda com base na tarefa que o modelo deve realizar. Os tipos comuns incluem:

• Classificação de imagens: Atribuir um único rótulo a uma imagem inteira, como identificar uma condição meteorológica como «nublado» ou «ensolarado».
• Detecção de objetos: Desenhar caixas delimitadoras 2D em torno de objetos distintos para ensinar ao modelo o que é o objeto e onde ele está localizado.
• Segmentação de instâncias: Criação de máscaras ou polígonos com precisão de pixel em torno de objetos, o que é essencial para determinar formas e limites precisos.
• Estimativa de pose: Marcação de pontos-chave específicos num objeto, como articulações esqueléticas , para analisar movimentos ou posturas.

Aplicações no Mundo Real

A utilidade da rotulagem de dados se estende a praticamente todos os setores que empregam IA.

1. Veículos autónomos: Os carros autônomos dependem de enormes conjuntos de dados, nos quais cada veículo, pedestre, sinal de trânsito e marcação de faixa são meticulosamente rotulados. Esses dados rotulados permitem que o sistema de percepção navegue em ambientes complexos com segurança. As empresas de veículos autónomos investem pesadamente em rotulagem em nível de pixel para garantir a conformidade com as normas de segurança.
2. Agricultura de precisão: Na agricultura moderna, a IA é usada para detect doenças detect ou monitorizar as fases de crescimento. Os agricultores utilizam modelos treinados com imagens rotuladas de folhas «saudáveis» versus «doentes» para automatizar o tratamento, reduzindo o uso de produtos químicos e aumentando o rendimento.

O fluxo de trabalho de rotulagem

Criar um conjunto de dados rotulados é frequentemente a parte mais demorada de um projeto de IA. O processo envolve normalmente uma abordagem «Human-in-the-Loop» (HITL), em que anotadores humanos verificam os rótulos para garantir uma elevada precisão. Os fluxos de trabalho modernos utilizam ferramentas como a Ultralytics , que simplifica a gestão de conjuntos de dados e permite que as equipas colaborem nas anotações. Técnicas avançadas como a aprendizagem ativa também podem ser empregadas, em que um modelo pré-rotula os dados e os humanos apenas corrigem as previsões de baixa confiança, acelerando significativamente o processo.

O exemplo a seguir demonstra como usar um modelo YOLO26 pré-treinado para gerar automaticamente rótulos (rotulagem automática) para uma nova imagem, que podem então ser corrigidos por humanos:

from ultralytics import YOLO

# Load the YOLO26n model (nano version)
model = YOLO("yolo26n.pt")

# Run inference on an image to detect objects
results = model("https://ultralytics.com/images/bus.jpg")

# Save the detection results to a text file in standard YOLO format
# This file can now be used as a starting point for data labeling
results[0].save_txt("bus_labels.txt")