Awesome GitHub RepositoriesData Labeling Interfaces

FiftyOne ist ein visuelles Tool zum Kuratieren, Analysieren und Verwalten von Bild- und Videodatensätzen für das Training von Machine-Learning-Modellen. Es dient als Plattform zur Identifizierung von Annotationsfehlern, zur Verfeinerung von Ground-Truth-Labels und zur Evaluierung der Performance von Vision-Modellen durch den Vergleich von Vorhersagen mit Ground-Truth, um Fehlermodi zu identifizieren. Das System fungiert als containerisierte Datenplattform, die die Team-Kollaboration an großskaligen visuellen Datensätzen in einer Cloud-Umgebung unterstützt. Es enthält spezialisierte Funktionen zur Erkundung hochdimensionaler Embeddings, um Datencluster zu entdecken und entsprechende visuelle Samples abzurufen. Die Plattform deckt ein breites Spektrum an Funktionen ab, einschließlich 2D- und 3D-Datenannotation, Validierung der Datensatzqualität und visueller Datenexploration. Sie lässt sich in Deep-Learning-Frameworks integrieren, um Daten von der Kuratierung zum Modelltraining zu überführen, und nutzt einen dokumentenbasierten Metadatenspeicher zur Verwaltung von Datensatzstrukturen.

Doccano ist eine kollaborative Labeling-Plattform und ein Text-Annotation-Tool, das darauf ausgelegt ist, Trainingsdaten für Machine Learning zu erstellen. Es bietet ein spezialisiertes Interface für die Durchführung von Sequence-Labeling und Textklassifizierung auf Datensätzen natürlicher Sprache. Das System fungiert als Manager für Datensätze des überwachten Lernens (Supervised Learning), der es mehreren Benutzern ermöglicht, innerhalb eines gemeinsamen Arbeitsbereichs zu koordinieren, um Datensätze für NLP-Aufgaben zu labeln. Es unterstützt die Vorbereitung von Rohtextdaten für das Modelltraining durch die Konvertierung unstrukturierter Dokumente in strukturierte, gelabelte Beispiele. Die Plattform umfasst Funktionen für kollaboratives Daten-Labeling, Text-Datensatz-Labeling und Machine-Learning-Preprocessing. Diese Aufgaben werden durch ein Web-Interface zur Verwaltung von Annotationsdaten und zur Koordination von Team-Bemühungen unterstützt.

Doccano is a collaborative data labeling platform and machine learning dataset management system. It provides a web-based interface for teams to import raw text, mark datasets, and export structured annotations for model training. The project specifically supports text annotation for classification and named entity recognition tasks. It enables teams to coordinate multiple users on a single project to maintain consistent labeling guidelines and increase the speed of dataset creation. The system includes tools for data management and team coordination, providing the ability to import raw data

Argilla is a collaborative AI feedback tool and data curation management system. It serves as a human-in-the-loop dataset platform designed to coordinate workforce annotators and domain experts in labeling, rating, and refining data samples for machine learning projects. The platform focuses on large language model dataset curation and reinforcement learning from human feedback workflows. It provides a shared workspace for integrating human expertise into AI development to validate model outputs and correct data errors. The system manages the end-to-end machine learning data pipeline, includ