03Bağımsız yazılım · Masaüstü · Açık kaynak

LabelMate

YOLO etiketlemede yerel bir yapay zekâ yardımcısı: model kutuları önerir, karar insanda kalır.

Çıkarım: Yerel · Ultralytics YOLO
Arayüz: Python · PySide6
Çıktı: YOLO formatında etiketler
Lisans: MIT · açık kaynak

Katkım

Tek başıma tasarlayıp geliştirdim. Araç, Boğaziçi Savunma’daki iş yeri eğitimim kapsamında gerçek bir etiketleme ihtiyacından doğdu; LabelMate onun genelleştirilmiş, herkese açık hâli. Etiketlemeyi yerelde ve çevrimdışı yürüterek veri güvenliğini korumak ve süreci hızlandırmak için geliştirdim.

03Kayıtlı gösterim · gerçek uygulamaYOLOv8n · COCO

Uygulamanın gerçek ekran kaydı: öneriler gelir, model bir çekmeceli dolabı “fırın” sanır, kullanıcı öneriyi silip sonraki görsele geçer. Görseller COCO veri setinden, model önceden eğitilmiş YOLOv8n.

01Sorun

Her kutuyu elle çizmek.

Bir nesne tespit modeli, etiketlendiği veri kadar iyi öğrenir. Her görselde her nesneyi elle kutulamak yavaş ve tekrarlı bir iş; veri büyüdükçe asıl yük etiketlemeye biner.

LabelMate sırayı tersine çevirir: önce model önerir, insan gözden geçirir ve düzeltir. Görseller bilgisayardan çıkmaz; çıkarım, kullanıcının seçtiği YOLO modeliyle yerelde yapılır.

Aynı görsel; pasta, fincan ve masa çevresinde beş renkli öneri kutusu ve güven skorları. — Gerçek kayıttan iki kare: model arka planda çalışırken ve beş öneri geldiğinde. Görsel COCO veri setinden.

Ahşap masada pasta ve kahve fincanı; görüntü karartılmış, ortada “Running YOLO Assist…” yazısı. — Gerçek kayıttan iki kare: model arka planda çalışırken ve beş öneri geldiğinde. Görsel COCO veri setinden.

02İnsan ve model

Model önerir, karar insanda.

Her öneri bir başlangıç noktası: kabul edilir, düzeltilir ya da silinir.

LabelMate penceresi: bir pasta fotoğrafında üç öneri kutusu; solda görsel listesi, sağda açıklama paneli. — Görsel açılınca model arka planda çalışır; öneriler sınıf ve güven skoruyla gelir (cake 0.48, dining table 0.25, fork 0.37).

Pasta kutusu seçili, köşe ve kenarlarında tutamaçlar; sağ panelde sınıf cake, güven 0.482 ve normalize merkez ile boyut değerleri. — Görsel açılınca model arka planda çalışır; öneriler sınıf ve güven skoruyla gelir (cake 0.48, dining table 0.25, fork 0.37).

Görseller arasında klavyeyle gezilir; kayıtlı etiketi olan görsel listede yeşile döner. Model yanılabilir; bu yüzden her öneri, kaydedilmeden önce insanın önüne gelir.

Klavyeyle

Space: kaydet, sonraki
A / D: önceki / sonraki
Del: kutuyu sil
Ctrl+Z: geri al
Ctrl+R: öneriyi yenile

Kayıtta model önceden eğitilmiş YOLOv8n, görseller COCO veri setinden. Kullanım, zaman kazancı veya doğruluk ölçümü raporlanmadı.

03Arka plan

Arayüz akıcı kalır, model arka planda çalışır.

Her görsel aynı yolu izler.

03Bir görselin yoluPySide6 · QThread

Model seçildiğinde · bir kez

Model seçimiModelDialog.pt / .onnx ya da hazır YOLO11 / YOLOv8 indirme
YüklemeYOLOModel.loadUltralytics YOLO
IsınmaWarmupWorkerboş bir 640×640 görselle ilk çıkarım

Her görsel için

Görsel açılır_open_imageliste ve tuval güncellenir
Kayıtlı etiket?read_labelvarsa yüklenir; model yeniden çalışmaz
ÇıkarımInferenceWorkerayrı iş parçacığı (QThread)
Önerilerresults_readyQt sinyali; başka görsele geçildiyse sonuç atılır
İnsan düzenlerCanvasseç · taşı · boyutla · sil · çiz
Kaydetwrite_labelSpace ile ya da görsel değişirken
labels/<ad>.txtnormalize YOLO satırları

Adlar depodaki koddan: app/main_window.py, app/workers.py, app/yolo_inference.py, app/label_io.py. Akış açıklayıcıdır; süre ölçümü içermez.

04Tuval

Ekrandaki hareket, verideki değişiklik.

Tuval üç koordinat düzlemiyle çalışır: ekran, görüntü pikseli ve dosyadaki normalize değerler. Fare hareketi önce görüntü pikseline çevrilir, işlem orada yapılır, sonuç 0–1 aralığına normalize edilir.

Kutular görüntü sınırlarına kırpılır ve köşeleri sıralanır; ters yönde çizilen bir kutu da geçerli kalır. Yakınlaştırma, imlecin altındaki noktayı yerinde tutar.

Her düzenlemeden önce kutuların tam bir kopyası geri alma yığınına alınır: 50 adıma kadar geri ve ileri.

04Üç koordinat düzlemiAçıklayıcı

Ekran

fare · yakınlaştırma · kaydırma

ekran = görüntü × ölçek + kaydırma

Görüntü pikseli

taşıma, boyutlama ve kırpma burada

÷ görüntü boyutu

Dosya · 0–1

x0.49895y0.33824w0.54141h0.67287

Geri alma yığınıher düzenlemeden önce tam kopya · en fazla 50

Açıklayıcı çizim; dönüşümler app/canvas.py ve app/bbox.py’den. Örnek değerler kayıttaki seçili pasta kutusunun sağ panelde görünen değerleri.

05Çıktı

Düzenlemeden eğitim verisine.

Her görsel için bir metin dosyası, her satırda bir kutu. Sınıf numarası, merkez ve boyut görüntüye göre normalize edilir; güven skoru dosyaya yazılmaz.

Sınıf adları çıktı klasöründeki classes.txt dosyasından ya da modelden gelir. İstenirse görseller de çıktı klasörüne kopyalanır.

05YOLO etiket dosyasıYOLO · TXT

Çıktı klasörü

çıktı_klasörü/
labels/
image001.txt
image002.txt
images/isteğe bağlı
classes.txt

Bir satır, bir kutu

00.5123000.4382000.0341000.028900

Klasör yapısı ve örnek satır deponun belgelerinden; değerler 0–1 aralığında, altı basamakla yazılır.

06Sonuç

İç ihtiyaçtan açık araca.

01
Yerel
Görseller bilgisayardan çıkmaz; çıkarım, seçilen YOLO modeliyle kullanıcının makinesinde yapılır.
02
İnsan kontrolde
Model yalnızca önerir; kaydetmek, düzeltmek ya da silmek insanın kararı.
03
Akıcı
Isınma, çıkarım ve model indirme arka plan iş parçacıklarında çalışır.
04
Açık
MIT lisansı; Windows için sanal ortamı kurup masaüstü kısayolu oluşturan kurulum betiği.

Kapsam: tek sınıflı iş akışları için optimize; çok sınıf classes.txt ile. Yalnızca görsel klasörleri, video desteklenmiyor. GPU kullanımı Ultralytics’e bırakılır. Kullanım, zaman kazancı veya platform testi hakkında bir ölçüm raporlanmadı.

Bağımsız proje · 2026 · MIT lisansı

Kaynak kod ve belgeler Sonraki: Aracın doğduğu proje, sabit kanatlı İHA Ana sayfaya dön

Yerel

İnsan kontrolde

Akıcı

Açık

Bir sonraki sistemibirlikte kuralım.