Dalam metode computer vision, komputer mampu melihat foto dan video seperti mata manusia. Karena itu, data yang masuk akan menentukan kualitas data yang keluar. Jika ingin membuat model computer vision yang andal, maka algoritma pembelajarannya harus dilabeli secara akurat. Anotasi gambar jauh lebih bernuansa dan kalau sampai memberi anotasi yang salah pada gambar, maka akan memakan biaya besar.
Sebenarnya apa itu alat anotasi gambar dan kenapa AI membutuhkannya? Di bawah ini kita akan membahas definisi, kegunaan, dan penerapan anotasi gambar di sekitar kita saat ini supaya bisa lebih memahaminya.
Apa Itu Anotasi Gambar?
Anotasi gambar merupakan proses memberi label pada gambar dalam kumpulan data tertentu untuk melatih model Machine Learning (ML). Saat anotasi manual selesar, gambar berlabel diproses oleh model ML atau Deep Learning (DL) untuk mereplika anotasi tanpa pengawasan manusia. Anotasi gambar menetapkan standar yang coba ditiru oleh model, sehingga kesalahan apa pun di label juga akan direplika.
Oleh karena itu. anotasi gambar yang tepat dan akurat menjadi dasar pelatihan jaringan neuron, menjadikan anotasi sebagai salah satu tugas terpenting dalam computer vision. Proses pelabelan gambar pada model computer vision sering disebut sebagai model-assisted labeling. Anotasi gambar dapat dilakukan secara manual atau dengan menggunakan alat anotasi otomatis.
Alat anotasi otomatis umumnya merupakan algoritma terlatih yang dapat memberi anotasi pada gambar dengan tingkat akurasi tertentu. Anotasinya penting untuk tugas anotasi yang rumit seperti membuat masker segmen, yang memerlukan waktu lama untuk dibuat. Dalam kasus ini, alat anotasi otomatis membantu anotasi manual dengan memberikan titik awal untuk melanjutkan proses anotasi lebih lanjut.
Pada anotasi manual, umumnya juga dibantu dengan alat yang membantu mencatat poin-poin penting untuk memudahkan proses pelabelan data dan penyimpanan data. Jadi kerjanya tidak sepenuhnya dilakukan manusia.
Kenapa AI Membutuhkan Anotasi Gambar?
Anotasi gambar membuat data pelatihan yang dapat dipelajari oleh model AI tersupervisi. Cara kita melabeli gambar akan menunjukkan kinerja AI setelah melihat dan belajar darinya. Akibatnya, anotasi yang buruk sering kali tercermin dalam pelatihan dan menghasilkan model yang memberikan prediksi buruk. Data teranotasi secara khusus diperlukan jika kita memecahkan masalah unik dan AI digunakan dalam area yang relatif baru.
Untuk berbagai tugas umum seperti klasifikasi dan segmentasi gambar, sering kali sudah tersedia model AI yang sudah terlatih dan model ini dapat disesuaikan dengan kasus penggunaan tertentu dengan bantuan Transfer Learning menggunakan data minimal. Tapi melatih model AI sejak awal biasanya membutuhkan data dalam jumlah besar yang teranotasi, lalu dipecah menjadi rangkaian pelatihan, validasi, dan pengujian.
Data teranotasi atau yang sudah dilabeli ini pembuatannya tidak mudah dan tentu saja memakan waktu. Sebaliknya, algoritma tanpa pengawasan tidak memerlukan data teranotasi dan dapat dilatih langsung ke data mentah yang sudah dikumpulkan, jadi tidak membutuhkan waktu terlalu lama.
Tugas yang Membutuhkan Anotasi Gambar
Lalu apa saja daftar tugas computer vision yang memerlukan data gambar teranotasi? Ini dia beberapa di antaranya:
1. Klasifikasi Gambar
Klasifikasi gambar mengacu pada tugas memberikan label atau tag pada suatu gambar. Biasanya algoritma Deep Learning yang diawasi digunakan untuk tugas klasifikasi gambar dan dilatih pada gambar yang diberi anotasi dengan label yang dipilih dari kumpulan label tetap yang sudah ditentukan sebelumnya.
2. Deteksi dan Pengenalan Objek
Deteksi atau pengenalan objek merupakan tugas mendeteksi objek dari suatu gambar. Anotasi tugas tersebut berupa pembatasan dan menamai kelasnya, yang kemudian ditetapkan sebagai ground truth. Deteksi ini hasil akhirnya berupa kotak pembatas di mana jaringan mendeteksi koordinat kotak pembatas setiap objek dan label kelas yang sesuai.
3. Segmentasi Gambar
Segmentasi gambar mengacu pada tugas memberi segmen wilayah dalam gambar sebagai milik kelas atau label tertentu. Ini dapat dianggap sebagai bentuk lanjutan dari deteksi objek di mana tak hanya memperkirakan garis besar suatu objek dalam kotak pembatas, tapi diharuskan menentukan batas dan permukaan objek secara tepat.
Anotasi pada segmentasi gambar bentuknya berupa topeng atau masker segmen dengan bentuk yang sama dengan gambar. Segmen objek dari gambar yang dipetakan ke topeng segmen ditandai dengan ID kelasnya yang sesuai, dan wilayah lainnya ditandai sebagai 0. Anotasi dalam segmentasi gambar biasanya membutuhkan presisi tertinggi supaya algoritma dapat bekerja dengan baik.
4. Segmentasi Semantik
Segmentasi semantik adalah bentuk spesifik dari segmentasi gambar di mana algoritma mencoba membagi gambar menjadi wilayah piksel berdasarkan kategori. Misalnya algoritma yang melakukan segmentasi semantik akan mengelompokkan sekelompok orang dalam satu kategori yang sama, sehingga membentuk satu topeng untuk setiap kategori.
Karena pembedaan antara berbagai contoh atau objek dalam kategori yang sama tidak dilakukan, bentuk segmentasi ini sering kali dianggap sebagai tugas segmentasi yang paling sederhana dan cukup mudah dilakukan.
5. Segmentasi Contoh
Segmentasi contoh atau instance mengacu ke bentuk segmentasi yang tugasnya adalah memisahkan dan melakukan segmentasi instance objek dari gambar. Bukan sekedar memilih kategori dari data gambar yang ada, algoritma segmentasi contoh bekerja untuk mengidentifikasi dan memisahkan objek serupa dari kelompok.
6. Segmentasi Panoptik
Segmentasi panoptik dapat disebut sebagai gabungan dari segmentasi semantik dan instance, di mana algoritma harus membuat pengelompokan kedua kategori objek sambil memperhatikan segmen di tingkat instance. Ini memastikan bahwa setiap kategori dan contoh objek mendapatkan peta segmen untuk dirinya sendiri.
Tentu saja, tugas segmentasi ini sering kali merupakan tugas yang paling sulit di antara tugas yang lain karena jumlah informasi yang harus disaring oleh jaringan yang ukurannya pada umumnya cukup besar dan membutuhkan waktu lama.
Jenis Anotasi Gambar
Ada beberapa jenis anotasi gambar berdasarkan bentuknya, yaitu:
- Bounding Box: membutuhkan objek spesifik di dalam boks yang terbatas. Digunakan untuk deteksi objek.
- Polygon: secara umum lebih presisi dibandingkan bounding box. Tujuannya untuk deteksi objek.
- 3D Cuboid: perpanjangan dari deteksi objek yang menggunakan model 3D.
- Semantic Segmentation: salah satu anotasi terakurat.
- Polyline: bentuk anotasi berupa beberapa garis pada data gambar yang masuk.
Itu dia definisi dan fungsi anotasi gambar yang ternyata sangat dibutuhkan oleh model AI. Berguna bagi banyak tugas, karena itu dibutuhkan platform solusi AI yang dapat diandalkan agar kinerjanya akurat, seperti Bigbox.
Merupakan End-to-End Data Management & Analytics Platform dari PT Telkom Indonesia, BigBox telah melayani kebutuhan AI beragam perusahaan di Indonesia, jadi kualitasnya tak perlu diragukan lagi. Jadi tunggu apa lagi? Kunjungi web BigBox untuk info fitur lengkapnya!