[{"data":1,"prerenderedAt":132},["ShallowReactive",2],{"glossary-tr-veri-etiketleme":3},{"id":4,"title":5,"body":6,"description":118,"extension":119,"meta":120,"navigation":127,"path":128,"seo":129,"stem":130,"__hash__":131},"sozluk\u002Fsozluk\u002Fveri-etiketleme.md","Veri Etiketleme (Data Labeling) Nedir?",{"type":7,"value":8,"toc":108},"minimark",[9,14,22,27,61,65,85,89,96],[10,11,13],"h2",{"id":12},"veri-etiketleme-nedir","Veri Etiketleme Nedir?",[15,16,17,21],"p",{},[18,19,20],"strong",{},"Veri etiketleme",", modelin öğrenmesi gereken doğru cevabın veriye işlenmesidir: görüntüdeki ağacın sınırı, bir spektrumun laboratuvar değeri, bir arızanın zamanı. Denetimli öğrenmede modelin kalitesi büyük ölçüde etiketin kalitesiyle sınırlıdır.",[23,24,26],"h3",{"id":25},"görüntüde-etiket-türleri","Görüntüde Etiket Türleri",[28,29,30,37,43,55],"ul",{},[31,32,33,36],"li",{},[18,34,35],{},"Sınıf etiketi",": Görüntünün tamamı için tek etiket (\"hatalı\", \"sağlam\").",[31,38,39,42],{},[18,40,41],{},"Kutu (bounding box)",": Nesne tespiti için.",[31,44,45,48,49,54],{},[18,46,47],{},"Poligon \u002F maske",": ",[50,51,53],"a",{"href":52},"\u002Fsozluk\u002Finstance-segmentation","Segmentasyon"," için; en pahalısı.",[31,56,57,60],{},[18,58,59],{},"Çizgi",": Yol, sınır, kablo gibi ince yapılar için.",[23,62,64],{"id":63},"araçlar-ve-hızlandırma","Araçlar ve Hızlandırma",[28,66,67,73,79],{},[31,68,69,72],{},[18,70,71],{},"Label Studio, Roboflow, CVAT",": Yaygın etiketleme araçları.",[31,74,75,78],{},[18,76,77],{},"Ön etiketleme",": SAM gibi bir model aday maskeler üretir, insan yalnız \"evet\u002Fhayır\" der ya da düzeltir.",[31,80,81,84],{},[18,82,83],{},"Aktif öğrenme",": Modelin en emin olmadığı örnekler önce etiketlenir.",[23,86,88],{"id":87},"hazır-etiket-kaynakları","Hazır Etiket Kaynakları",[15,90,91,92,95],{},"Pek çok sektörde etiket zaten vardır: CAD çizimleri, kadastro kayıtları, laboratuvar sonuçları. Ama bunlar çoğu zaman ",[18,93,94],{},"eksiktir",": çizen kişi her binayı çizmemiş olabilir. \"Çizilmemiş = yok\" diye öğretmek modeli bozar; bu bölgeleri kayıptan çıkarmak (maskelemek) daha iyi sonuç verir.",[15,97,98,99,103,104],{},"İlgili: ",[50,100,102],{"href":101},"\u002Fsozluk\u002Findustrial-ai","Industrial AI",", ",[50,105,107],{"href":106},"\u002Fsozluk\u002Foverfitting","Overfitting",{"title":109,"searchDepth":110,"depth":110,"links":111},"",2,[112],{"id":12,"depth":110,"text":13,"children":113},[114,116,117],{"id":25,"depth":115,"text":26},3,{"id":63,"depth":115,"text":64},{"id":87,"depth":115,"text":88},"Denetimli öğrenmenin ham maddesi: etiketleme türleri, araçları, ön etiketleme ve eksik etiketle başa çıkma.","md",{"tags":121,"translation":126},[122,123,124,125,102],"Veri Etiketleme","Makine Öğrenmesi","Label Studio","SAM","data-labeling",true,"\u002Fsozluk\u002Fveri-etiketleme",{"title":5,"description":118},"sozluk\u002Fveri-etiketleme","4dKMHp2oHo-t_cb7cL4LcGBZh3uKgrooimJmGajNDI8",1793268821836]