Cara Memberi Label Data Gambar untuk Computer Vision

Memberi label data gambar untuk computer vision berarti menandai objek di setiap gambar (kotak, titik, atau area) lalu menyimpan koordinatnya dalam format yang bisa dibaca model. Kualitas label sering menentukan akurasi lebih besar daripada arsitektur model yang kamu pilih. Kalau dua orang memberi label berbeda pada gambar yang sama, model akan belajar kebingungan itu.

Sebelum mulai, kamu perlu tahu jenis anotasi apa yang cocok untuk kasusmu. Deteksi objek butuh bounding box, segmentasi butuh polygon atau mask, sedangkan klasifikasi cukup satu label per gambar. Uraian berikut membahas alur kerjanya dari awal sampai dataset siap dilatih, termasuk cara menghindari kesalahan yang bikin model belajar hal yang salah.

Pilih jenis anotasi sesuai tugas model

Tentukan dulu keluaran yang kamu inginkan. Model yang hanya perlu menjawab "ada wajah atau tidak" tidak membutuhkan kotak pembatas. Memberi anotasi lebih detail dari yang dibutuhkan hanya membuang waktu dan menambah peluang kesalahan.

• Klasifikasi gambar: satu label per gambar, misalnya "rusak" atau "utuh".
• Deteksi objek: bounding box per objek plus nama kelas, misalnya "mobil" dan "motor".
• Segmentasi semantik: setiap piksel diberi kelas, cocok untuk pemisahan area seperti jalan dan trotoar.
• Segmentasi instance: area per objek, dipakai ketika dua mobil yang berdekatan harus dihitung terpisah.
• Keypoint: titik sendi atau sudut, umum untuk pose estimation.

Kalau kamu baru mulai dan belum punya banyak gambar, deteksi objek dengan bounding box biasanya jadi titik awal paling masuk akal. Alat anotasinya banyak yang gratis, dan hasilnya bisa dikonversi ke format lain nanti.

Alat anotasi yang bisa dipakai

Tool seperti Label Studio dan CVAT bisa dijalankan di laptop sendiri, sedangkan Roboflow menyediakan layanan berbasis web. Ketiganya mendukung ekspor ke format populer seperti COCO JSON, YOLO TXT, dan Pascal VOC XML. Pilih yang format ekspornya langsung cocok dengan kode pelatihanmu supaya tidak perlu menulis konverter sendiri.

Kalau gambar yang dianotasi berasal dari rekaman layar atau video tutorial, menandai timestamp di sumber aslinya membantu saat kamu perlu meninjau ulang frame tertentu. Teknik merekam data layar untuk latih model AI juga bisa dipakai untuk mengumpulkan contoh UI sebelum diberi label elemen.

Tentukan aturan labeling sebelum menyentuh gambar pertama

Aturan tertulis mencegah dua pemberi label mengambil keputusan berbeda. Tulis dokumen singkat berisi definisi setiap kelas, contoh gambar benar, dan contoh kasus ambigu. Aturan inilah yang membuat dataset bisa dipercaya.

Beberapa hal yang wajib dijawab di aturan tersebut:

1. Apakah objek yang terpotong di tepi gambar tetap diberi label?
2. Berapa ukuran minimum objek yang masih layak dianotasi?
3. Bagaimana menangani objek yang tertutup sebagian?
4. Apakah bayangan atau pantulan ikut masuk ke dalam kotak?
5. Apa nama kelas yang dipakai, dan apakah huruf besar-kecil berpengaruh?

Aturan penamaan kelas terlihat sepele, tapi "Motor", "motor", dan "sepeda motor" akan dianggap tiga kelas berbeda oleh sebagian alat. Sepakati satu gaya penulisan dan pakai konsisten.

Alur kerja memberi label yang efisien

Kerjakan dalam blok, bukan mencampur semua gambar sekaligus. Buka satu batch berisi 50 sampai 100 gambar, selesaikan, lalu simpan. Batch kecil memudahkan kamu menemukan pola kesalahan sebelum kesalahan itu menyebar ke ribuan gambar.

Gunakan pintasan keyboard di alat anotasi. Di CVAT dan Label Studio, kamu bisa menggambar kotak lalu menekan tombol angka untuk memilih kelas tanpa menyentuh mouse. Untuk dataset berisi ratusan gambar, ini memangkas waktu secara nyata.

Pisahkan pengumpulan gambar dan pemberian label ke sesi berbeda. Mencari gambar sambil mengklik kotak membuat perhatian terpecah, dan hasilnya lebih banyak label yang meleset. Kalau perlu gambar tambahan untuk kelas yang masih sedikit, lakukan sesi khusus untuk itu.

Simpan cadangan dataset di luar folder kerja. Ekspor ke format standar setelah tiap batch selesai, bukan menunggu semuanya rampung. Kehilangan anotasi karena file korup setelah tiga jam bekerja cukup menyakitkan.

Jaga konsistensi antar pemberi label

Kalau kamu bekerja sendiri, konsistensi tetap perlu dijaga karena penilaianmu bisa bergeser setelah melihat ratusan gambar. Sebelum mulai sesi baru, buka kembali dokumen aturan dan lihat beberapa contoh. Kalau ada tim, minta setiap orang memberi label pada 20 gambar yang sama, lalu bandingkan hasilnya.

Perbedaan yang sering muncul biasanya soal batas kotak: ada yang menggambar rapat ke tepi objek, ada yang menyisakan ruang. Kelas yang mirip seperti "truk kecil" dan "pickup" juga kerap tertukar. Diskusikan temuan ini dan perbarui aturan, bukan menyalahkan pemberi label.

Dataset yang bagus bukan yang paling banyak gambarnya, tapi yang paling konsisten aturannya.

Cek kualitas dataset sebelum melatih model

Sebelum masuk ke proses pelatihan, jalankan pemeriksaan sederhana. Buka file anotasi dan hitung jumlah objek per kelas. Kalau ada kelas dengan hanya tiga contoh sementara kelas lain punya ratusan, model akan berat sebelah.

Periksa juga gambar tanpa anotasi. Gambar yang seharusnya berisi objek tapi tidak punya satu pun kotak bisa jadi tanda ada yang terlewat. Sebaliknya, gambar yang memang kosong sebaiknya tetap dimasukkan sebagai contoh negatif supaya model tahu kapan tidak ada objek.

Visualisasikan anotasi di atas gambar asli. Kebanyakan alat punya fitur ini, tapi kalau tidak ada, kamu bisa menulis skrip pendek untuk menggambar kotak memakai library Python seperti OpenCV atau PIL. Melihat kotak yang posisinya meleset jauh lebih cepat daripada membaca koordinat di file teks.

Untuk urusan perangkat, latihan model kecil masih bisa dilakukan di laptop biasa. Kalau kamu ingin mencoba tanpa kartu grafis, ada panduan cara menjalankan model AI di laptop tanpa GPU yang bisa jadi acuan. Sementara itu, kalau kamu memantau perangkat sensor untuk pengumpulan data lapangan, pemasangan sensor suhu DHT22 di Arduino untuk pemula bisa jadi langkah awal yang cukup sederhana.

Kesalahan label yang paling sering terjadi

Beberapa masalah muncul berulang di hampir setiap proyek anotasi. Mengenali polanya lebih dulu menghemat waktu revisi.

• Kotak terlalu longgar: model belajar bahwa latar di sekitar objek juga bagian dari objek.
• Objek ganda: satu objek diberi dua kotak, sehingga dianggap dua instance.
• Kelas tidak seimbang: satu kelas mendominasi, akurasi terlihat tinggi padahal model hanya menebak kelas mayoritas.
• Data mirip berulang: frame berurutan dari video yang hampir identik membuat model menghafal, bukan belajar.
• Format ekspor salah: koordinat YOLO ternormalisasi 0 sampai 1, sedangkan COCO memakai piksel. Salah format membuat kotak muncul di tempat acak.

Untuk memantau kualitas secara berkala, kamu bisa menyiapkan alat bantu yang menampilkan distribusi kelas dan contoh anotasi. Beberapa alat visualisasi data AI untuk pemula bisa dipakai untuk keperluan ini tanpa perlu menulis banyak kode.

Kalau pekerjaan labeling membuat laptop menyala terus berjam-jam, pantau suhunya. Menjalankan alat anotasi berbasis web dengan banyak tab memang tidak seberat melatih model, tapi tetap membebani perangkat. Panduan mengukur suhu laptop saat jalankan model AI bisa membantu kamu tahu kapan harus berhenti sejenak.

Ringkasan

Memberi label data gambar untuk computer vision dimulai dari pemilihan jenis anotasi yang sesuai tugas, lalu dilanjutkan dengan menulis aturan yang jelas. Kerjakan dalam batch kecil, gunakan pintasan keyboard, dan periksa distribusi kelas sebelum melatih model. Waktu yang kamu habiskan di tahap anotasi akan terasa lebih hemat dibandingkan waktu yang habis untuk menebak kenapa model terus salah prediksi.

Saat memilih perangkat untuk bekerja dengan dataset besar, ukuran layar ikut memengaruhi kenyamanan. Pertimbangkan cara memilih monitor eksternal untuk laptop kerja supaya kamu bisa melihat lebih banyak gambar sekaligus saat meninjau anotasi.

Pertanyaan yang Sering Diajukan

Berapa jumlah gambar minimum untuk mulai melatih model computer vision?

Tidak ada angka pasti karena sangat bergantung pada kerumitan objek dan variasi latar. Untuk deteksi objek sederhana dengan satu atau dua kelas, beberapa ratus gambar per kelas biasanya sudah cukup untuk uji awal. Mulailah dari dataset kecil, latih model, lihat kesalahannya, lalu tambahkan gambar pada kondisi yang paling sering salah.

Apakah bisa memakai alat anotasi gratis untuk proyek komersial?

Sebagian alat open source seperti CVAT dan Label Studio bisa dipasang sendiri dan dipakai untuk keperluan komersial, tapi lisensinya perlu dibaca langsung karena bisa berubah. Layanan berbasis web umumnya punya paket gratis dengan batasan jumlah proyek atau gambar. Periksa syarat layanan sebelum mengunggah data klien.

Bagaimana cara mempercepat labeling tanpa mengorbankan kualitas?

Gunakan fitur auto-annotation yang disediakan alat anotasi: model awal memberi usulan kotak, lalu kamu tinggal mengoreksi. Cara ini menghemat banyak klik pada gambar dengan objek yang mudah dikenali. Tetap tinjau hasilnya secara manual, karena kesalahan model awal yang lolos akan ikut terpakai saat pelatihan berikutnya.