Ship Detection Data Engine (SDDE)

面向遙測 / 衛星 / 航空影像之船舶偵測研究的 PyQt6 資料工程 GUI 工作台。

支援多類別 HBB 標註、YOLO 格式匯入匯出、prediction overlay、error analysis、dataset QC、tile sliding-window 視圖、copy-paste augmentation、屬性標註、統計分析，以及 autosave 和 project config 持久化。

環境需求

Python 3.10+
作業系統：macOS / Windows / Linux

安裝

在終端機執行以下指令，並保持工作目錄位於儲存庫根目錄：

git clone https://github.com/samhung1205/DetectionData_Engine.git
cd DetectionData_Engine
python -m venv .venv

啟用虛擬環境：

# macOS / Linux
source .venv/bin/activate
# Windows PowerShell
.venv\Scripts\Activate.ps1

python -m pip install -r requirements.txt

依賴套件：

套件	版本	用途
numpy	>=1.20.0	影像矩陣運算
opencv-python	>=4.5.0	影像讀取、resize、rotation
PyQt6	>=6.4.0	GUI 框架
PyYAML	>=6.0.0	classes.yaml / project_config.yaml 讀寫

啟動

python GUI.py

快速開始

啟動後使用 Open Image 或 Open Folder 選取自己的影像。
開啟 File → Class mapping，確認類別名稱與 class id 對應。
使用 Create RectBox 畫框，或透過 File → Load Label 載入已有標註。
在 Labels / Attributes / Paste 分頁查看標註、設定研究屬性或建立合成樣本。
使用 Save Label 輸出標註；若有貼圖合成，也使用 Save Image 儲存合成影像。
需要模型輔助時，載入 prediction txt 或安裝選用推論套件並載入模型，再逐筆 Accept / Reject。

操作說明

1. 開啟影像

點擊左側 Open Image 按鈕，或選單 File → Open Image（Windows / Linux：Ctrl+O；macOS：Cmd+O）
也可用選單 File → Open Folder… 載入整個資料夾，之後用 Previous image / Next image 逐張瀏覽
支援 JPG / JPEG / PNG / GIF / BMP / TIFF 格式
開圖後畫布自動顯示，可用 zoom in / zoom out 或拖曳 slider 縮放
滑鼠移到主圖上時，會出現浮動 local zoom preview，方便檢查小船、邊界與密集區細節

2. Class Mapping（類別對照）

點擊左側 Class mapping 按鈕，或選單 File → Class mapping（Windows / Linux：Ctrl+I；macOS：Cmd+I）
開啟對話框可新增、刪除、編輯類別（class_id / class_name / super_category）
主路徑為 ClassMappingDialog + classes.yaml
若目前有載入 project_config.yaml，會優先使用該 project 指定的 classes_yaml
儲存後更新目前 project 對應的 classes.yaml，YOLO 匯入匯出的 class index 即依此對照
標註 rename、paste rename、prediction accept/rewrite 都以目前 classes.yaml 為準；若要新增新類別，需先到 Class mapping 更新 catalog
啟動時自動從工作目錄讀取 project_config.yaml；若有設定 classes_yaml，就從該路徑載入 class catalog

3. 標註 HBB（水平外接矩形框）

點擊 Create RectBox 按鈕進入標註模式
在畫布上點擊確定框的第一角，再點擊對角完成框
彈出對話框選擇類別名稱
標註會即時顯示在 Box Labels 列表和畫布上（綠色框線）
選取 Box Labels 中的既有框後，可在畫布上拖曳框內部移動，或拖曳四個角點手動縮放
勾選 Hide Box 可暫時隱藏所有框
右鍵點擊列表項目可 Rename（改類別）或 Delete（刪除單筆）
Delete all 按鈕清除所有標註

4. 屬性編輯

每個標註框可設定以下研究屬性（右側面板）：

屬性	選項	說明
size_tag	small / medium / large	依 COCO 面積閾值自動計算，可手動改
crowded	false / true	是否在擁擠場景
hard_sample	false / true	是否作為 hard example / hard sample
occluded	false / true	是否有遮擋
truncated	false / true	是否被截斷
blurred	false / true	是否模糊
difficulty_tag	normal / hard / uncertain	標註難度
difficult_background	false / true	是否屬於背景複雜的難例
low_contrast	false / true	是否屬於低對比難例
scene_tag	near_shore / offshore / unknown	場景類型

選擇列表中的框後，右側面板會載入該框的屬性，修改後即時同步。其中 hard_sample / occluded / truncated / blurred / difficult_background / low_contrast 以 checkbox 呈現，方便快速做研究屬性與難例標記。

5. 載入 / 儲存 Label

Load Label：選單或左側按鈕，支援：
- YOLO HBB 格式 txt（class_id xc yc w h，歸一化座標）
- COCO bbox JSON（會依目前開啟影像的檔名選出對應 image/annotations）
- annotation metadata JSON（支援本專案匯出的 research metadata records，會還原 bbox 與屬性）
- 預設會從 project_config.yaml 的 label_root 開始選檔
- 載入前可選擇 Append GT 或 Replace GT
  - Append GT：把載入結果追加到目前 GT 標註
  - Replace GT：用載入結果覆蓋目前 GT 標註（paste annotations 不受影響）
Save Label：彈出對話框，選擇格式：
- YOLO(v5~10)：歸一化中心座標 class_id xc yc w h
- Bounding Boxes：絕對座標 class_id x1 y1 x2 y2
- COCO JSON：單張影像的 images / annotations / categories 結構，bbox 為 [x, y, w, h]
- Pascal VOC XML：單張影像的 annotation/object/bndbox XML
Save Label 會把目前影像中的 GT + committed paste annotations 一起輸出
Save Label 對話框的預設格式會跟 project_config.yaml 的 default_export_format 一致
若目前影像位於 image_root 之下，預設輸出路徑會映射到 label_root 對應位置，例如 images/train/a.jpg -> labels/train/a.txt
Show Label：在新視窗中預覽當前標註疊圖

6. Prediction Overlay（模型預測疊圖）

Load preds（左側按鈕）或選單 File → Load predictions…
讀取 YOLO 格式 txt，支援第 6 欄 confidence：class_id xc yc w h [conf]
若目前影像位於 images/ 資料夾，prediction 檔案選擇器會優先從相鄰的 predictions/ 資料夾開啟，例如 dataset/test/images → dataset/test/predictions
也可用選單 File → Load prediction folder… 指定一個 prediction sidecar 資料夾；之後在資料夾瀏覽模式下切換影像時，會自動讀取同 basename 的 .txt prediction 檔
會建立 session 內的 review queue 狀態：pending / partial / reviewed
下方狀態列會顯示目前 queue 摘要，例如 pending 數量與當前影像的 accepted / rejected / remaining
選單 File → Next review image 可直接跳到下一張尚未 reviewed且有 prediction sidecar 的影像
review queue 會以「目前 image folder + prediction folder」為 key 持久化到 sidecar state；重新載入同一組資料夾時，可選擇 Resume review 或 Start fresh
選單 File → Clear saved review state… 可清除目前這組 image folder + prediction folder 的已存 review 狀態，並立刻用 sidecar predictions 重建一輪新的 queue
選單 Analysis → Prediction review summary… 可對 Current folder 或 Current project 產生 review 報表
- 若目前已載入 prediction folder，會直接使用該路徑
- 若尚未載入 prediction folder，才會要求選擇
- 結果會顯示 reviewed / partial / pending / no_predictions 的影像數，以及 accepted / rejected / remaining prediction 總數
- Export CSV… / Export JSON… 可匯出逐影像 review summary，方便做 project-level review 進度追蹤
也可用選單 File → Load YOLO model… 載入模型，再用左側 Run model 按鈕或 File → Run model prediction 直接對當前影像推論
模型直推論目前為 optional 功能，需要額外安裝 ultralytics 與 torch
預測框以橘色虛線顯示在畫布上（與 GT 綠色實線區分）
勾選 Show preds 控制是否顯示
右上方 Pred conf >= slider 可調整顯示門檻（0.00 ~ 1.00），同步影響 prediction list、畫布 overlay 與 error analysis 使用的 prediction 集合
選取左側 prediction list 中的一筆後，可在畫布上直接拖曳移動或拖四角調整大小；被修改過的 prediction 會在列表中標示為 [edited]
prediction list 右鍵可 Change class…，先修正類別再決定是否接受
左側預測列表中選取一筆後：
- Accept：轉為正式 GT 標註（綠色框），從預測列表移除
- Reject：刪除該筆預測
選單 File → Accept all visible predictions / Reject all visible predictions 可對目前 conf threshold 下可見的 prediction 批次處理
當當前影像的 predictions 全部處理完畢並進入 reviewed 狀態時，review queue 會自動跳到下一張待審影像
選單 File → Clear predictions 清空所有預測

7. Error Analysis（誤差分析）

選單 Analysis → Run error analysis…
可選 scope：
- Current image：分析目前開啟影像的 GT 與目前載入的 predictions
- Current folder：掃描目前影像所在資料夾內的所有支援影像，並要求指定一個 prediction folder；若目前 project config 可解析 image_root，會先找 prediction_root/<image 相對路徑>/<basename>.txt，找不到再 fallback 到 prediction_root/<basename>.txt
- Current project：若已載入 project_config.yaml，會以 image_root 為遞迴掃描範圍，並依 label_root / 選定的 prediction root 以相對路徑配對
選單 Analysis → Show GT/Pred IoU overlay 可把 IoU 配對結果直接疊在主畫布上：
- 已配對 GT / prediction 之間會畫出連線並標示 TP / WrongClass / Localization / Duplicate 與 IoU
- 未配對 prediction 會在框旁標示 FP
- 未配對 GT 會在框旁標示 FN
自動以 greedy IoU matching 比對當前 GT 與 predictions
顯示表格：Type / IoU / GT class / Pred class / Confidence
可用 Type 下拉選單快速篩選 TP / FP / FN / WrongClass / Localization / Duplicate
可勾選 Bookmarked only 只瀏覽已收藏案例
若 GT 有屬性標註，還可依 Size / Scene / Difficulty / Crowded / Hard sample / Occluded / Truncated / Blurred 篩選錯誤案例，方便分析 small ship、near_shore、hard sample、遮擋或模糊樣本等研究情境
表格也會直接顯示這些 GT 屬性欄位，方便快速比對 error case 與資料特性
分類規則：

類型	條件
TP	IoU ≥ 0.5 且類別相同
WrongClass	IoU ≥ 0.5 且類別不同
Localization	0.1 ≤ IoU < 0.5
Duplicate	pred 重疊已匹配的 GT
FP	未匹配的 pred
FN	未匹配的 GT

可勾選 Bookmark、填寫 Notes
大量 folder / project cases 時，結果表格會限制實際渲染的前幾千筆，避免 Qt table 一次建立過多 row 造成記憶體暴增；上方 summary 仍會顯示完整 case 數
Export CSV… 仍會匯出所有錯誤案例，不只匯出表格目前顯示的前幾千筆
committed paste annotations 也會納入目前影像的 GT 集合一起分析，避免與實際匯出的 label 不一致
Current folder 也會顯示 Image 欄位，方便在多張圖之間追 case
Current folder 只有在目前影像真的有 live GT / committed paste，或已載入並審核過的 live prediction 狀態時，才會用 GUI 內的狀態覆蓋該張圖；若目前 GUI 狀態是空的，會回到磁碟上的 label / prediction sidecar，避免 summary 把已存在的檔案誤算成 missing
Current folder 會顯示 Predictions matched 與 Label root，方便確認實際掃描到多少 prediction sidecar，以及 GT label 是從哪個目錄解析而來
在真正打開 folder error analysis 結果前，會先顯示一個 summary，列出 Images found / Labels matched / Predictions matched / Images analyzable / Confidence threshold
Current project 也會在真正打開結果前顯示相同型態的 summary，但 scope 會改成整個 image_root
若選到的 prediction folder 沒有任何同 basename 的 .txt prediction sidecar，會先提示你結果只會使用 GT labels
Analysis → Start FP-to-label review… 可直接用 folder / project error analysis 的 FP rows 建立補標 queue：
- 先選 scope 與 prediction folder，GUI 會依目前 Pred conf >= 門檻掃描 FP candidates
- 建立 queue 後會跳到第一個 FP 影像並選中對應 prediction
- Analysis → Next FP 跳到下一個 FP candidate；若下一個 candidate 仍在同一張影像，不會重新載圖，避免清掉尚未儲存的補標
- 可沿用 prediction list 的 Change class… / Accept / Reject；確認漏標後按 Accept 轉正式 GT，再補屬性並 Save Label
- FP review 期間不會觸發原本 prediction review 的自動跳下一張，避免干擾補標 queue

8. Dataset Statistics（統計分析）

選單 Analysis → Dataset statistics…
可選 scope：
- Current image：分析目前開啟影像的 GT + committed paste annotations
- Current folder：掃描目前影像所在資料夾內的所有支援影像，按 basename 尋找對應 label sidecar
- Current project：若已載入 project_config.yaml，會以 image_root 為遞迴掃描範圍，並依 label_root 以相對路徑配對 GT labels
多個分頁：
- Overview：總影像數、總標註數、平均每張圖標註數、類別數
- Class dist：各類別標註數量
- Size dist：small / medium / large 分布
- Scene dist：near_shore / offshore / unknown 的數量與比例
- Bbox stats：寬 / 高 / 面積 / 長寬比的 min / max / mean / std
  - 若 metadata 中有 rotation_deg / angle_deg，也會一併統計旋轉角度分布
- Class × Size：類別 × 尺度交叉表
Export JSON… / Export CSV… 匯出統計結果
Overview 也會顯示 Labeled images / Unlabeled images
Current folder 目前優先讀取與影像同 basename 的 .json / .txt label sidecar；若 project_config.yaml 中有設定 image_root / label_root，也會嘗試依相對路徑對應到 label 目錄
若沒有 project_config.yaml，但目前資料夾結構符合常見的 images/ 與 sibling labels/ 佈局，也會自動推斷 GT label 位置
folder-level statistics / error analysis 讀影像尺寸時會優先只讀常見格式（BMP/JPEG/PNG/GIF/TIFF）的檔頭，不會為了拿寬高而完整解碼整張影像，避免大量 BMP 掃描時記憶體暴增
在真正打開 folder statistics 結果前，會先顯示一個 summary，列出 Images found / Labels matched / Annotations found
Current project 也會先顯示同型態的 summary，但 scope 會改成整個 image_root
若目前開啟影像有尚未另存的新標註、committed paste，或曾載入後被清空的標註狀態，Current folder 會以當前 GUI 內的 live annotations 覆蓋該張圖的磁碟 label；若目前沒有 live annotation override，則會讀取磁碟上的 label sidecar

9. Dataset QC（批次驗證）

選單 Analysis → Dataset QC…
可選 scope：
- Current folder：掃描目前影像所在資料夾內的所有支援影像
- Current project：若已載入 project_config.yaml，會以 image_root 為遞迴掃描範圍
執行前可選擇：
- Include predictions…：額外指定 prediction folder，一起檢查 prediction sidecar
- Labels only：只檢查 GT labels
會先顯示 summary，列出：
- Images found
- Labels matched
- Predictions matched
- Issues found
結果表格會列出：
- Image
- Source（label / prediction）
- Issue type
- Line
- Detail
- File
結果視窗另提供：
- Overview：總影像數、matched labels / predictions、clean images、images with issues
- Issue types：各 issue type 的數量與受影響影像數
目前內建檢查：
- missing label / missing prediction
- empty label / empty prediction
- YOLO 欄位數錯誤
- 無法解析數值
- 非法 class id
- normalized center / width / height 超出範圍
- bbox 超出 [0, 1]
- prediction confidence 超出 [0, 1]
- 無法讀取或不支援的 label 格式
Export CSV… 可匯出所有逐筆 issue
Export Summary JSON… 可匯出聚合 summary，方便做 dataset health 檢查、研究紀錄與後續自動化報表

10. Tile / Sliding Window（分格檢視）

左下角 Tile view 面板
設定 Size（tile 邊長，預設 640）和 Stride（步幅，預設 480）
勾選 Enable 啟用分格視圖：
- 畫布上顯示綠色 tile 邊框，tile 外區域暗化
- 方向箭頭可切換上下左右鄰近 tile，index 標籤顯示 3 / 16
- 也可用 Alt + Arrow 快速切換目前 tile 的上下左右鄰居
- 勾選 Overview 可回到全圖查看 tile 分布，並高亮目前 tile；在 overview 上直接點選某個 tile 可跳入該 tile
- Tile 面板會提示 Boundary 數量；若顯示 Boundary: 2，代表目前 tile 內有 2 個 GT 框跨越 tile 邊界，需留意重複標註或截斷漏標
tile 只是視角，所有標註始終寫回全圖座標，切換 tile 不會造成框漂移

11. Copy-Paste（圖像貼上）

點擊 Paste Image 按鈕進入貼圖模式
右下方 Choose Image 選擇 PNG asset（含 alpha 透明通道）
可在 Mode 切換 Manual / Smart zone；Smart zone 會要求先用 Set zone 在畫布上框出可貼圖區域，只有完整落在該區域內的 paste 才能 Add
Target 可選 small / medium / large，右側會顯示目前 zoom/export 比例下的建議縮放範圍與目前 paste 尺度
用 7 個 slider 調整：Resize / Rotation / Brightness / Contrast / Blur / Opacity / Feather
Effects (n) 可開啟進階效果對話框，設定陰影強度、距離與方向，以及動態模糊的長度與角度；已有貼圖預覽時，調整會即時顯示，按 Cancel 回復原先設定
勾選 HorizontalFlip / VerticalFlip 控制翻轉
在畫布上點擊放置，自動偵測 alpha 邊界產生 bbox
若最終 alpha 幾乎為空（例如 opacity 太低），預覽仍會更新，但 Add 會保持 disabled，避免提交空貼圖
每次貼圖自動記錄 PasteRecord（含 asset 路徑、flip / blur / opacity / feather 等 transform 參數、bbox、timestamp）
選單 File → Export paste metadata (JSON/CSV) 匯出完整操作紀錄
一旦 Add 成功，該 paste annotation 會視為正式可匯出標註，並納入 metadata export / statistics / error analysis
Save Image 會以原圖解析度重建合成結果，不會直接把當前 GUI 縮放畫面存出去；若想避免 JPEG 再壓縮，建議存成 PNG / BMP

12. Metadata Export（屬性匯出）

選單 File → Export annotation metadata (JSON)… / (CSV)…
匯出每筆標註的完整欄位：image_path / class_id / class_name / super_category / x1 / y1 / x2 / y2 / size_tag / crowded / hard_sample / occluded / truncated / blurred / difficulty_tag / difficult_background / low_contrast / scene_tag / annotation_source
annotation_source 會標記來源為 gt 或 paste
metadata export 目前會把 GT + committed paste annotations 一起匯出

13. Undo / Redo

選單 Edit → Undo（Windows / Linux：Ctrl+Z；macOS：Cmd+Z） / Redo（Windows / Linux：Ctrl+Shift+Z 或 Ctrl+Y；macOS：Cmd+Shift+Z）
最多保留 50 步操作紀錄
支援：新增框、刪除框、清除全部、重新命名、批次載入 label

14. Autosave（自動存檔）

開圖後自動啟動定時器（預設 60 秒），週期性存檔到 .autosave/ 目錄
存檔格式：<圖片名>.autosave.json（含 real_data + box_attributes + object_list）
下次開同一張圖時，若偵測到 autosave 檔，自動詢問是否恢復
手動 Save Label 成功後自動清除 autosave 檔
狀態列顯示 "Autosaved" / "Restored from autosave" / "Saved (autosave cleared)"

15. Project Config（專案設定）

選單 File → Open project config… / Save project config…
設定檔格式為 project_config.yaml，包含：

project_name: ship_detection_project
project_root: "."
image_root: dataset
label_root: dataset
classes_yaml: classes.yaml
default_export_format: yolo_hbb
autosave_seconds: 60
recent_images: []
tile_size: 640
tile_stride: 480

啟動時自動讀取工作目錄下的 project_config.yaml（如果存在）
開圖時自動加入 recent_images
project_config.yaml 現在會實際控制：
- classes_yaml：啟動時 class catalog 的載入位置，以及 class mapping dialog 的預設讀寫位置
- image_root：Open Image / Open Folder 的預設起始目錄
- label_root：Load Label 的預設起始目錄，以及 Save Label 的預設輸出根目錄
- default_export_format：Save Label 對話框的預設格式
- autosave_seconds / tile_size / tile_stride
project_root 與其他相對路徑會以 project_config.yaml 所在位置解析，因此每個研究專案都可以攜帶自己的一套 classes / images / labels / export defaults

快捷鍵總覽

快捷鍵	功能
`W`	Create RectBox
`D`	Delete selected box
`S`	Save Label
`H`	Hide / Show boxes
`Ctrl+O` / `Cmd+O`	Open Image
`Ctrl+I` / `Cmd+I`	Class mapping
`Ctrl+L` / `Cmd+L`	Load Label
`Ctrl+Z` / `Cmd+Z`	Undo
`Ctrl+Shift+Z` / `Ctrl+Y` / `Cmd+Shift+Z`	Redo
`Alt+Arrow`	Tile 上下左右導航
`Alt+G`	Toggle tile overview

專案內容

GUI.py：應用程式啟動入口。
gui/：操作介面與應用程式圖示。
sdde/：標註、匯入匯出、預測審核與分析服務。
classes.yaml：預設類別；可透過 Class mapping 修改。
tests/：自動化測試。
docs/manual_smoke_test.md：進階功能的手動驗證清單。

此儲存庫提供 SDDE GUI 原始碼。研究影像、標註資料集、透明貼圖素材、模型權重、分類器研究子專案與論文素材未隨程式散布；請使用自行取得且有使用權限的資料。

常見問題

模型推論不可用：在同一 Python 環境額外安裝 ultralytics 與 torch，並在介面選取可信來源的模型檔案。模型權重未附在儲存庫中。
沒有影像或貼圖可選：自行準備影像資料夾；Copy-Paste 使用含 alpha 透明通道的 PNG 素材。
類別或匯出編號不符：先檢查 Class mapping，確保 classes.yaml 與資料集的 class id 定義一致。
分享研究輸出：annotation / paste metadata、review state 和 project config 可能含影像路徑、素材路徑、最近開啟檔案與備註。分享前請檢查並移除私人內容。
自動儲存的限制：autosave 保存 GT 標註；貼圖合成結果與其相關資料請另外使用 Save Image、Save Label 和 metadata export 儲存。

檔案格式說明

classes.yaml

project_name: ship_detection_project
classes:
  - class_id: 0
    class_name: naval
    super_category: vessel
  - class_id: 1
    class_name: merchant
    super_category: vessel

YOLO HBB Label（歸一化）

0 0.5125 0.3200 0.0850 0.1200
1 0.7800 0.6500 0.1200 0.0900

每行：class_id x_center y_center width height（相對於圖片寬高的 0~1 值）

YOLO Prediction（含 confidence）

0 0.5125 0.3200 0.0850 0.1200 0.87
1 0.7800 0.6500 0.1200 0.0900 0.62

第 6 欄為信心分數（可略，預設 1.0）

project_config.yaml

project_name: ship_detection_project
project_root: "."
image_root: dataset
label_root: dataset
classes_yaml: classes.yaml
default_export_format: yolo_hbb
autosave_seconds: 60
recent_images: []
tile_size: 640
tile_stride: 480

License

此工具提供研究使用。目前儲存庫尚未附正式授權條款；若需再散布、修改後發布或用於其他用途，請先向專案維護者確認授權範圍。研究資料、模型與外部素材須另行遵守各自授權。

Navigation Menu

Repository navigation

About

Repository files navigation

Ship Detection Data Engine (SDDE)

環境需求

安裝

啟動

快速開始

操作說明

1. 開啟影像

2. Class Mapping（類別對照）

3. 標註 HBB（水平外接矩形框）

4. 屬性編輯

5. 載入 / 儲存 Label

6. Prediction Overlay（模型預測疊圖）

7. Error Analysis（誤差分析）

8. Dataset Statistics（統計分析）

9. Dataset QC（批次驗證）

10. Tile / Sliding Window（分格檢視）

11. Copy-Paste（圖像貼上）

12. Metadata Export（屬性匯出）

13. Undo / Redo

14. Autosave（自動存檔）

15. Project Config（專案設定）

快捷鍵總覽

專案內容

常見問題

檔案格式說明

classes.yaml

YOLO HBB Label（歸一化）

YOLO Prediction（含 confidence）

project_config.yaml

License

About

Releases

Packages

Contributors

Languages

Name		Name	Last commit message	Last commit date
docs		docs
gui		gui
sdde		sdde
tests		tests
.gitignore		.gitignore
GUI.py		GUI.py
README.md		README.md
classes.yaml		classes.yaml
data.yaml		data.yaml
requirements.txt		requirements.txt

Latest commit

History

Folders and files

Repository files navigation

Ship Detection Data Engine (SDDE)

環境需求

安裝

啟動

快速開始

操作說明

1. 開啟影像

2. Class Mapping（類別對照）

3. 標註 HBB（水平外接矩形框）

4. 屬性編輯

5. 載入 / 儲存 Label

6. Prediction Overlay（模型預測疊圖）

7. Error Analysis（誤差分析）

8. Dataset Statistics（統計分析）

9. Dataset QC（批次驗證）

10. Tile / Sliding Window（分格檢視）

11. Copy-Paste（圖像貼上）

12. Metadata Export（屬性匯出）

13. Undo / Redo

14. Autosave（自動存檔）

15. Project Config（專案設定）

快捷鍵總覽

專案內容

常見問題

檔案格式說明

classes.yaml

YOLO HBB Label（歸一化）

YOLO Prediction（含 confidence）

project_config.yaml

License

About

Resources

Stars

Watchers

Forks

Releases

Packages

Contributors

Languages