Label Studio Nasıl Kullanılır: Eksiksiz, Öz Kılavuz (2025)
Eğer bilgisayarlı görü, NLP veya multimodal yapay zeka geliştiriyorsanız, muhtemelen aynı darboğazla karşılaşacaksınız: yüksek kaliteli etiketlenmiş veri. Açık kaynaklı bir veri etiketleme platformu olan Label Studio, sizi tek bir ML yığınına kilitlemeden görüntü, metin, ses, zaman serisi ve video açıklamaları üzerinde esnek kontrol sağlar. Bu pratik, adım adım eğitimde, Label Studio'yu kurulumdan dışa aktarmaya kadar nasıl kullanacağınızı göstereceğiz, böylece "boş proje"den "üretim için hazır etiketlere" güvenle geçebilirsiniz.
Pratik ve çözüm odaklı bir stil izleyeceğiz: kısa adımlar, net kararlar ve yaygın tuzaklardan kaçınmanıza yardımcı olacak faydalı ipuçları.
Neler Öğreneceksiniz
- Label Studio'nun nasıl kurulup başlatılacağını
- İlk projenizi nasıl oluşturacağınızı ve bir etiketleme şablonu nasıl seçeceğinizi
- Verilerin nasıl içe aktarılacağını (yerel dosyalar, bulut depolama alanları, URL'ler)
- Görüntüler, metin, ses veya video için etiketleme arayüzünün nasıl ayarlanacağını
- Etiketleyicilerin, incelemelerin ve kalite güvencesinin nasıl yönetileceğini
- Açıklamaların eğitim ardışık düzenlerinizle uyumlu biçimlere nasıl dışa aktarılacağını
Belirtmekte fayda var: Çok modelli araştırmalar yürütüyorsanız veya veri kümesi dokümantasyonu hazırlıyorsanız, Sider.AI gibi bir yapay zeka yardımcı pilotu, ekipleri uyumlu tutmak için görev yönergeleri oluşturmanıza veya açıklama politikalarının otomatik özetlerini çıkarmanıza yardımcı olabilir. Sider.ai adresinden inceleyebilirsiniz. Neden Label Studio?
- Esnek şema: Sınırlayıcı kutular, çokgenler, anahtar noktaları, metin aralıkları, ilişkiler, ses bölgeleri ve daha fazlası için özel etiketleme yapılandırması tanımlayın.
- Geniş veri türleri: Görüntüler, metin, ses, HTML, zaman serisi ve video.
- Ekip iş akışları: Görevleri atayın, fikir birliğini etkinleştirin, açıklamaları inceleyin ve kaliteyi yönetin.
- Genişletilebilir: Depolama arka uçları, web kancaları ve model destekli etiketleme ile entegre edin.
Resmi genel bakış ve indirmeler için Label Studio ana sayfasına bakın.
Adım 1: Label Studio'yu Kurun
Label Studio'yu Python veya Docker ile yerel olarak çalıştırabilirsiniz. Bir yaklaşım seçin:
Seçenek A: Python (pip)
# Bir sanal ortam oluşturun (önerilir)
python -m venv .venv
source .venv/bin/activate # Windows: .venv\Scripts\activate
# Label Studio'yu kurun
pip install label-studio
# Başlat
label-studio start
Ardından, yazdırılan yerel URL'yi ziyaret edin (genellikle `).
Seçenek B: Docker
docker run -it -p 8080:8080 heartexlabs/label-studio:latest
Label Studio'da yeniyseniz, resmi "Başlangıç" kılavuzu özlü ve düzenli olarak güncellenir ve hızlı başlangıç, örnek bir veri kümesini etiketlemek için gereken minimum adımlara odaklanır.
Profesyonel İpucu: Ekipler için, dayanıklılık için yönetilen bir veritabanı (PostgreSQL) ve monte edilmiş depolama alanı düşünün.
Adım 2: Bir Proje Oluşturun
- Kullanıcı arayüzüne giriş yapın ve "Proje Oluştur"a tıklayın.
- Net bir ad verin (örneğin, "Perakende Raf Algılama v1") ve açıklama (veri kümesi sürümünü ve amacını ekleyin).
- "Etiketleme Ayarı"nı seçin. Şunları yapabilirsiniz:
- Bir şablondan başlayın (örneğin, nesne algılama, NER, duygu analizi, ses bölgeleri)
- Veya araçları ve sınıfları uyarlamak için özel bir XML yapılandırması yazın
Hızlı başlangıç sihirbazı, bir şablon seçmenize, sınıfları yeniden adlandırmanıza ve yapılandırmayı kaydetmenize yardımcı olur.
Adım 3: Verilerinizi İçe Aktarın
Verileri kullanıcı arayüzü veya API aracılığıyla içe aktarabilirsiniz. Yaygın yollar:
- Yerel dosyaları yükleyin (sürükle ve bırak)
- Uzak dosyaların URL'lerini sağlayın
- Ayarlar aracılığıyla bulut depolamayı (S3, GCS, Azure Blob) bağlayın
- Programlı alım için REST API'sini kullanın
Veri kayıtları genellikle varlığınıza işaret eden bir veri yükü içerir (örneğin, "image": " veya "text": "Bu bir cümledir."`). Dışa aktarma sırasında eşlemeyi basitleştirmek için dosya adlarını sabit tutun.
Kalite ipucu: Veri kümenizin sürümünü alın ve eğitim çalıştırmalarını yeniden üretebilmeniz için kaynak → açıklama dışa aktarımının bir manifestosunu tutun.
Adım 4: Etiketleme Arayüzünü Yapılandırın
Etiketleme arayüzü, araçları ve sınıfları tanımlar. RectangleLabels, PolygonLabels, KeyPointLabels, TextArea, Choices, Audio, TimeSeries vb. gibi bileşenleri seçtiğiniz XML benzeri bir yapılandırma göreceksiniz.
Örnekler:
Görüntü Nesnesi Algılama
<View>
<Image name="img" value="$image"/>
<RectangleLabels name="label" toName="img">
<Label value="Product" background="#34D399"/>
<Label value="PriceTag" background="#60A5FA"/>
</RectangleLabels>
</View>
Metin Adlandırılmış Varlık Tanıma (NER)
<View>
<Text name="txt" value="$text"/>
<Labels name="label" toName="txt">
<Label value="ORG"/>
<Label value="PERSON"/>
<Label value="LOC"/>
</Labels>
</View>
Ses Bölgesi Etiketleme
<View>
<Audio name="audio" value="$audio"/>
<Labels name="label" toName="audio">
<Label value="Speech"/>
<Label value="Noise"/>
<Label value="Music"/>
</Labels>
</View>
Görevinize en yakın şablonla başlayın ve yineleyin. Veri kümesi birleştirmelerini kolaylaştırmak için sınıf adlarını sürümler arasında sabit tutun.
Adım 5: Etiketleme En İyi Uygulamaları
- Net yönergeler tanımlayın: Doğru ve yanlış açıklamaların ve uç durumların örneklerini ekleyin.
- Kısayol tuşlarını kullanın: Araçlarınız için klavye kısayollarını öğrenerek hızı ve tutarlılığı eğitin.
- Erken kalibre edin: 2-3 etiketleyicinin aynı 50-100 öğeyi açıklaması, sonuçları karşılaştırması ve kılavuzu iyileştirmesi sağlayın.
- Ön açıklamalar ekleyin: Bir temel modeliniz varsa, düzeltmeleri hızlandırmak için tahminleri içe aktarın.
- Verimliliği ve kaliteyi dengeleyin: Riskler yüksek olduğunda fikir birliği veya inceleme kuyrukları kullanın.
Bu arada, net, tutarlı açıklama yönergeleri yazmak veya alan bilgisini etiketleyici dostu kontrol listelerine dönüştürmek için, Sider.AI ekiplerin takip edebileceği bir değişiklik günlüğünü tutarken talimatları hızla taslak haline getirebilir ve iyileştirebilir. Adım 6: Etiketleyicileri, İncelemeleri ve KG'yi Yönetin
Label Studio ekipleri destekler:
- Görevleri belirli açıklayıcılara atayın
- İnceleme/onay iş akışlarını etkinleştirin
- İlerlemeyi ve etiketleyici performansını izleyin
- Anlaşmayı ölçmek için fikir birliğini kullanın (görev başına birden çok açıklama)
Açık kabul kriterleri belirleyin (örneğin, kutular için IoU eşiği, aralık sınır kuralları, minimum ses bölgesi süresi) ve inceleme sırasında bunları uygulayın.
Yaygın KG kontrolleri:
- Eksik etiketler veya yanlış sınıflar
- Tutarsız sınırlayıcı kutu sıkılığı
- Zamanla kayan tanımlar (kılavuzu güncelleyin!)
Adım 7: Açıklamaları Dışa Aktarın
Toplu işiniz hazır olduğunda, eğitim için açıklamaları dışa aktarın. Label Studio, açıklamaları dahili olarak JSON'da saklar ve birden çok biçimde dışa aktarmanıza olanak tanır. Mevcut liste ve adımlar için resmi dışa aktarma belgelerine bakın.
Tipik biçimler şunları içerir:
- Ham Label Studio JSON'u (en eksiksiz ve kayıpsız)
- COCO (algılama/segmentasyon için)
- YOLO (nesne algılama için)
- Daha basit görevler için CSV/TSV
Önemli notlar:
- Bazı araçlar (örneğin, fırça/segmentasyonlar) belirli biçimlere düzgün bir şekilde eşlenmez—COCO ve YOLO, serbest biçimli fırçaları doğrudan desteklemeyebilir. Segmentasyon dışa aktarma uyarıları hakkında topluluk rehberliğine bakın.
- Label Studio JSON'unu YOLO'ya dönüştürmek için dönüştürücüler vardır, ancak kullanılan etiketleme aracına ve sakladığınız meta verilere bağlı olarak boşluklar oluşabilir.
Pratik dışa aktarma akışı:
- Erken bir küçük test dışa aktarma çalıştırın; eğitim komut dosyanızın bunu ayrıştırdığını doğrulayın.
- Dışa aktarma ön ayarınızı kilitleyin (sınıf sırası, çözünürlük varsayımları, vb.).
- Yeniden üretilebilirlik için herhangi bir dönüştürme adımını (komut dosyaları, sürüm karmaları) belgeleyin.
Adım 8: ML Ardışık Düzeninizle Entegre Edin
- Tamamlanan açıklamaları eğitim işlerinize çekmek için API'yi kullanın.
- Bölmeleri deterministik tutun: görevlere
split: train/val/test gibi meta veriler ekleyin.
- Her şeyin sürümünü alın: veri kümesi manifestoları, açıklama dışa aktarımları, model yapılandırmaları.
- Döngüyü kapatın: hata analizi çalıştırın, başarısızlık kümelerini belirleyin ve yeniden etiketleme turları planlayın.
İş akışı düzeni:
- Bir başlangıç kümesini etiketleyin
- Model hatalarından zor örnekler çıkarın
- Hedeflenen dilimleri yeniden etiketleyin
Bu aktif öğrenme döngüsü, zorla etiketlemeden daha hızlı kaliteyi artırır.
Yaygın Sorunları Giderme
- "Dışa aktarımım YOLO/COCO'ya yüklenmiyor."
- Araç uyumluluğunu kontrol edin (örneğin, fırçalar ve çokgenler). Mümkün olduğunda uyumlu şekillere dönüştürün ve dışa aktarma belgelerine ve topluluk notlarına bakın.
- "Etiketler eğitim sınıfı sıramla eşleşmiyor."
- Sıralamayı erken düzeltin. Etiket adlarını standartlaştırın ve eşlemeyi ardışık düzeninizde koruyun.
- "Açıklayıcılar çok fazla anlaşmazlığa düşüyor."
- Kalibrasyon turları ekleyin, kuralları açıklığa kavuşturun ve fikir birliği veya tahkim adımlarını düşünün.
- Ön açıklamalar, kısayol tuşları ve araca özgü hızlandırmalar kullanın (örneğin, otomatik segment, yapışma). Düşük değerli görevleri budayın.
30 Dakikalık Hızlı Başlangıç Kontrol Listesi
- Label Studio'yu kurun (pip veya Docker)
- En alakalı şablonla bir proje oluşturun
- 50-100 örnek öğeyi içe aktarın
- Uç durumlar ve örneklerle yönergeler taslağı hazırlayın
- Bir kalibrasyon grubu için iki etiketleyici atayın
- Anlaşmazlıkları inceleyin ve kuralları güncelleyin
- Eğitim kodunuza dışa aktarmayı test edin
Resmi, özlü bir kılavuz için "Başlangıç" ve "Hızlı Başlangıç" kılavuzunu yeniden ziyaret edin.
Güç Kullanıcıları için Gelişmiş İpuçları
- Özel widget'lar: Alan özgü araçlar için arayüzü genişletin.
- Web kancaları: Görevler tamamlandığında işleri tetikleyin (örneğin, dönüştürmeleri veya model eğitimini başlatın).
- Model destekli etiketleme: Manuel çalışmayı azaltmak için şirket içi veya bulut modellerinizden ön etiketler kullanın.
- Veri gizliliği: Düzenlenmiş veri kümeleri için şirket içinde çalıştırın, dışa aktarmaları kısıtlayın ve erişimi günlüğe kaydedin.
- Analizler: Eğriliği tespit etmek için sınıf başına dağılımı ve etiketleyici başına metrikleri izleyin.
Sonuç: Prototipten Üretime Hazır Veri Kümelerine
Label Studio, kavramdan tutarlı eğitim verilerine hızla geçmenize yardımcı olur: bir şablon seçin, şemanızı tanımlayın, ekibinizi kalibre edin ve modellerinizin ihtiyaç duyduğu biçimlerde dışa aktarın. Yönergelerinizi canlı tutun, dışa aktarımları erken doğrulayın ve aktif öğrenme ile döngüyü kapatın. Bu alışkanlıklarla, biçimlerle uğraşmak için daha az ve çalışan modelleri göndermek için daha fazla zaman harcayacaksınız.
Daha derinlemesine incelemeler ve şablonlar için şuraya bakın:
- Dışa aktarma biçimleri ve uyarıları
SSS
S1:Label Studio ne için kullanılır?
Label Studio, görüntüleri, metinleri, sesleri, zaman serilerini ve videoları açıklamak için açık kaynaklı bir platformdur. Özel etiketleme arayüzleri tasarlamanıza ve açıklamaları ML eğitim ardışık düzenlerinizin kullanabileceği biçimlere aktarmanıza olanak tanır.
S2:Label Studio'da yeni bir projeye nasıl başlarım?
Kullanıcı arayüzünden bir proje oluşturun, görevinizle eşleşen bir şablon seçin ve etiketleme yapılandırmasını özelleştirin. Ardından verileri (yerel dosyalar, URL'ler veya bulut depolama) içe aktarın ve görevleri açıklayıcılara atayın.
S3:Label Studio hangi dışa aktarma biçimlerini destekliyor?
Ham JSON'un yanı sıra COCO, YOLO, Pascal VOC ve CSV/TSV gibi biçimleri de dışa aktarabilirsiniz. Bazı araçlar (fırça maskeleri gibi) tüm biçimlere eşlenmeyebilir; ayrıntılar için dışa aktarma belgelerine bakın.
S4:Label Studio'da etiketlemeyi nasıl hızlandırabilirim?
Bir temel modelden ön açıklamalar kullanın, kısayol tuşlarını öğrenin ve etiket şemanızı basitleştirin. Yeniden çalışmayı azaltmak için kalibrasyon turları çalıştırın ve hataları erken yakalamak için inceleme kriterleri belirleyin.
S5:Label Studio'yu bir ekiple çalıştırabilir miyim?
Evet. Açıklayıcılara görevler atayın, incelemeleri etkinleştirin ve anlaşmayı ölçmek için fikir birliğini kullanın. Verileri ve açıklamaları güvenilir arka uçlarda saklayın ve web kancaları veya API ile dışa aktarmaları otomatikleştirin.
