跳轉到

Ottimizzazione dei Dati

Questo capitolo spiega come utilizzare lo strumento integrato Test di ATSVisionOps per ottimizzare un dataset. Questa funzionalità supporta la rinominazione automatica, l'unificazione dei nomi delle classi di difetto e le modifiche di mappatura, il tutto senza danneggiare i dati originali.

test1.png

1. Logica di Test Predefinita (Ottimizzazione Diretta)

Se non hai bisogno di apportare modifiche ai nomi delle immagini o dei difetti attuali e desideri solo ottimizzare il dataset, puoi utilizzare l'operazione predefinita.

  • Passi:
    1. Verifica che il percorso di input sia corretto.
    2. Clicca direttamente sul pulsante [Start Optimizing Dataset] (nessuna opzione di modifica è selezionata per impostazione predefinita).
  • Risultato:
    • Dopo la visualizzazione di "Completed", il sistema genera le immagini e i file JSON nella Result Folder corrispondente.
    • Coerenza dei dati: le immagini e i file JSON corrispondono uno a uno e possono essere utilizzati direttamente per la successiva conversione in formato COCO o per l'addestramento del modello.

2. Rinominazione in Batch dei File

Per rendere più semplice la gestione dei dati, puoi rinominare globalmente il dataset e il sistema aggiornerà automaticamente i campi di riferimento all'interno dei file JSON in modo sincronizzato.

  • Passi:
    1. Seleziona l'opzione "Batch Rename Files".
    2. Inserisci il prefisso target nella casella di input (ad esempio: 111).
    3. Clicca su [Start Optimizing Dataset].
  • Caratteristiche:

    • Modifica sincronizzata: non si limita a cambiare i nomi dei file sul disco fisico (come 111_000001.jpg), ma corregge automaticamente anche il campo imagePath all'interno del file JSON, garantendo che non vadano perse associazioni di dati.

    • test3.png

    • test2.png

3. Gestione dei Nomi dei Difetti

Per i casi in cui i nomi delle label non siano standard o in cui sia necessario unire delle categorie, il sistema offre le seguenti due modalità:

A. Unificare i Nomi dei Difetti (Sovrascrittura Globale)

Applicabile quando tutti i difetti di categorie diverse nel dataset attuale devono essere uniti in un unico nuovo nome.

  • Esempio: la label originale è qx (difetto) e si desidera cambiarla uniformemente in bd (macchia bianca).

  • Effetto: dopo l'elaborazione, il campo label in ogni file JSON nella cartella dei risultati verrà cambiato in bd.

B. Mappare Difetti Specifici (Sostituzione Precisa)

Applicabile quando è necessario cambiare solo specifiche categorie di difetti, mantenendo tutte le altre categorie invariate.

  • Esempio: il dataset contiene tre label, qx, zz e bd, e solo zz (impurità) deve essere cambiato in bszz (impurità bianca).

  • Operazione: seleziona "Map Specific Defects", inserisci zz nel campo del vecchio nome e bszz nel campo del nuovo nome.

  • Effetto: solo zz viene sostituito; tutte le altre label rimangono inalterate.


Sicurezza dei dati: tutte le operazioni di ottimizzazione vengono eseguite nella "Result Folder" e non modificano i tuoi dati di input originali.

test4.png