T-Rex Label

Tracez un cadre autour d'une cible et T-Rex Label trouve le reste des objets semblables, sur cette image et sur tout un lot. C'est le flux central, et il repose sur des prompts visuels plutôt que du texte, donc vous ne perdez pas de temps à formuler une demande qu'un modèle peut mal lire. Il convient aux objets difficiles à décrire, comme une texture précise ou une forme inhabituelle. Ce mode est gratuit et tourne sur T-Rex2 et ses modèles mis à jour.

Vous donnez à l'outil une liste de classes et il étiquette seul chaque image d'un jeu, via des modèles de détection open-set comme DINO-X et Grounding DINO 1.6. Comme ces modèles reconnaissent des objets hors de leur set d'entraînement, vous pouvez étiqueter des éléments rares qu'un modèle fermé laisserait passer. C'est le mode pensé pour l'échelle, et la facturation se fait au nombre d'images et au modèle, donc le coût suit ce que vous lancez. C'est aussi la voie la plus rapide vers une première passe d'annotation sur un nouveau dataset.

Au-delà des cadres, T-Rex Label ajoute l'annotation automatique par masque. Un outil gratuit de segmentation intelligente suit le contour d'un objet. Cela aide sur les formes irrégulières qu'un rectangle ne couvre pas, comme des silhouettes d'animaux ou des parties superposées. La fonction de masque tourne dans le service d'annotation interactive, que la plateforme garde gratuit pour la communauté. Elle complète les outils de cadre avec lesquels le produit a démarré.

Un prompt peut se propager sur de nombreuses images. C'est cette propagation qui rend l'outil rapide sur de grands ensembles. Quand vous marquez un objet, le prompt voyage vers d'autres images et vous ne répétez pas la même étape à chaque fois. Là se trouve la différence entre étiqueter image par image et bâtir un dataset d'une traite. La fonction se branche directement au flux interactif et demande très peu de réglages.

T-Rex Label importe et exporte des formats de dataset répandus, ce qui le garde au diapason d'un pipeline de vision par ordinateur, et non à côté. Côté données, il annonce la prise en charge de Kaggle Datasets, Roboflow Universe, ModelScope, Hugging Face, Label Studio et FiftyOne, et côté modèles, de PyTorch, TensorFlow, Keras et Roboflow Train. Pour une équipe, cela veut dire que les données étiquetées passent à l'entraînement sans étape de conversion. C'est la fonction qui décide si l'outil s'intègre à un flux existant ou reste de côté.

Tout l'outil tourne dans un navigateur. Pas d'installation locale, pas d'environnement à configurer, pas de maintenance à suivre. Un collègue nouveau peut annoter en quelques minutes, pas après une séance d'installation. Pour des équipes réparties sur plusieurs machines et systèmes, cela retire la friction habituelle des logiciels d'annotation de bureau. Un point simple qui compte quand ceux qui étiquettent ne sont pas ingénieurs.