Label Studio

Active

شعار کوتاه:پلتفرم متن‌باز برای برچسب‌گذاری داده، ارزیابی هوش مصنوعی و گردش‌کار human-in-the-loop.

به‌روزرسانی شده:-

شبکه‌های اجتماعی:

مجموعه‌های داده هوش مصنوعی ابزارهای توسعه‌دهنده هوش مصنوعی تشخیص و تحلیل تصویر عامل هوش مصنوعی استخراج اسناد با هوش مصنوعی تبدیل گفتار به متن هوش مصنوعی متن‌باز رایگان فریمیوم API در دسترس خودمیزبان مبتنی بر ابر همکاری تیمی اپلیکیشن وب

باز کردن وب‌سایت

مشاهده وب‌سایت

چیست Label Studio?

Label Studio پلتفرم متن‌باز برچسب‌گذاری و حاشیه‌نویسی چندوجهی است. از بینایی ماشین، NLP، document AI، رونویسی صوت، سری زمانی و ارزیابی LLM از جمله ردپای عامل، RLHF و RAG QA پشتیبانی می‌کند. API، Python SDK و webhook پروژه‌ها را به خط لوله ML برای پیش‌برچسب‌گذاری، یادگیری فعال و ارزیابی مدل متصل می‌کند.

نحوه استفاده Label Studio?

با pip نصب کنید (pip install -U label-studio)، label-studio را اجرا کنید و برنامه را در http://localhost:8080 باز کنید. ثبت‌نام، ایجاد پروژه، وارد کردن داده، انتخاب قالب برچسب‌گذاری، سفارشی‌سازی برچسب‌ها و شروع حاشیه‌نویسی.

Label Studio ویژگی‌های اصلی

رابط‌های قابل برنامه‌نویسی

چیدمان و قالب‌های سفارشی با داده، وظایف و معیارهای ارزیابی شما سازگار می‌شوند.

یکپارچه با خط لوله ML / AI

API، Python SDK و webhook برای ایجاد پروژه، پخش پیش‌بینی و راه‌اندازی آموزش، یادگیری فعال و گردش‌کار ارزیابی در زمان واقعی.

اتصال هر داده و مدل

داده را از هر ذخیره‌سازی همگام‌سازی و مدل‌ها را برای برچسب‌گذاری کمکی AI، بنچمارک و ارزیابی مداوم متصل کنید.

ارزیابی LLM و عامل

ابزار observability برای بازبینی human-in-the-loop، جمع‌آوری ترجیحات RLHF، ایجاد بنچمارک سفارشی و ارزیابی RAG و پاسخ‌های تولیدشده.

برچسب‌گذاری چندوجهی

تصویر، متن، صوت، ویدیو، سری زمانی و وظایف چندوجهی: طبقه‌بندی، تشخیص شیء، بخش‌بندی، NER، رونویسی و گفتگو.

Label Studio موارد استفاده

بازبینی human-in-the-loop ردپای عامل و خروجی LLM

حاشیه‌نویسی بینایی ماشین برای تشخیص شیء و بخش‌بندی معنایی

OCR سند و NER برای پروژه‌های NLP

رونویسی صوت و تفکیک گوینده در مقیاس

جمع‌آوری ترجیحات RLHF و ارزیابی بنچمارک LLM

Label Studio سوالات متداول

نیازمندی‌های سیستم Label Studio چیست؟

Label Studio روی Linux، Windows یا macOS با Python 3.8+ اجرا می‌شود. برای تولید ۱۶ گیگابایت RAM، ۵۰ گیگابایت دیسک، PostgreSQL 13+ یا SQLite 3.35+ توصیه می‌شود. پورت پیش‌فرض 8080.

چگونه Label Studio را نصب کنم؟

در محیط مجازی Python دستور pip install label-studio را اجرا کنید، سپس سرور را با label-studio راه‌اندازی کنید. Docker، Homebrew و نصب از منبع نیز مستند شده‌اند.