Automatisch toekennen van tags¶
De opties voor onderhoud van digiKam voor automatisch toekennen van tags¶
Het Automatisch toekennen van tags scant de afbeeldingen in uw verzameling met gebruik van een neuraal netwerk dat is getraind om algemene objecten te identificeren. De door het neurale netwerk geïdentificeerde objecten worden daarna gebruikt om een tag toe te kennen aan elke afbeelding. Wanneer de scan is voltooid, kunt u uw database doorzoeken op afbeeldingen die een vogel, een bal of een auto bevatten. Tags gegenereerd door het proces Automatisch toekennen van tags zullen onder de tag automatisch in de Tagsweergave zijn om ze te onderscheiden van tags die handmatig zijn toegekend.
Dit proces is ook toegankelijk in de weergave Tags via de knop Scannen voor automatisch toekennen van tags. Voor meer informatie over de optie Automatische tags zie de sectie Tagsweergave van deze handleiding.
Voor automatisch toekennen van tags zijn er 4 instellingen die de gebruiker aan kan passen om te besturen hoe digiKam objecten in een afbeelding detecteert en tags toekent.
Scanmodus: de scanmodus bepaalt of digiKam alle afbeeldingen zal scannen of alleen afbeeldingen waaraan nog geen tag automatisch tag al is toegekend. De tag automatisch wordt toegekend aan afbeeldingen waaraan automatisch een tag is toegekend. De tag automatisch wordt niet toegekend aan afbeeldingen die handmatig een tag is toegekend.
Modus automatisch tags toekennen: bij toepassen van automatisch toekennen van tags kunt u kiezen tussen Bijwerken en Bestaande vervangen. Bijwerken selecteren zal elke nieuwe automatisch toegekende tags toevoegen aan de bestaande tags aan de afbeelding. Bestaande vervangen zal alle bestaande automatisch toegekende tags verwijderen en ze vervangen door de tags gedetecteerd door de huidige scan. Elke tag niet onder de tag automatisch zal niet beïnvloed worden. Deze instelling is nuttig als u meerdere scans wilt uitvoeren met verschillende instellingen en de resultaten combineren.
Detectiemodel: het detectiemodel is het neurale netwerk gebruikt om objecten in de afbeelding te detecteren. Het standaard model is EfficientNet B7. Het model EfficientNet B7 is een model voor algemeen gebruik dat 1.000 verschillende objecten end scènes kan detecteren. Het model YOLOv11-Nano is sneller en gebruikt minder geheugen dan het model EfficientNet B7. Het model YOLOv11-Nano wordt aanbevolen voor gebruikers met beperkt geheugen of langzamere processors en YOLOv11-XLarge wordt aanbevolen voor gebruikers met meer geheugen en snellere processors. Beide modellen YOLOv11 zijn getraind om 80 verschillende objecten te detecteren gebaseerd op de COCO-gegevensset.
Nauwkeurigheid: lagere instelling van nauwkeurigheid kan meer objecten in een afbeelding detecteren, maar het zal ook het aantal onjuist geïdentificeerde objecten verhogen (vals-positieven). De standaard instelling van 7 is aanbevolen voor normaal gebruik.
Terwijl het proces van toekennen van tags voortgang vindt, wordt een voortgangsvenster getoond in de hoek rechtsonder van het hoofdvenster.