使用边界框、多边形或掩码定位杂乱场景中的独立零件。检查遮挡边界，并保持实例定义一致。
按照已定义的标注结构，在可见工具或夹具特征上放置点。这些图像坐标为下游感知模型提供已标注依据。
标签取决于感知任务：边界框用于定位，掩码描述物体形状，点标记可见特征，结构化属性记录类别或状态。Unitlab 将这些标签与原始摄像头图像保持关联。
可以。使用选定的几何类型标注每个实例，并按需记录遮挡属性。审核人员可检查困难边界并修正不一致的实例。
可以。团队可按照任务专属标注结构标记可见物体或工具特征点。机器人控制、姿态估计和抓取规划是这些已审核图像标签的下游用途。
可以。准备相关视角的摄像头图像，并在各视角中使用共享类别定义。图像标签始终对应各自的源视图。
物体识别聚焦摄像头图像中的已标注物体和特征点。机器人示范则整合相关记录与上下文，支持更完整的动作学习工作流。
在开始工作前定义共享类别、结构化属性与清晰的标注指南。通过代表性示例和结合上下文的审核，解决机器人物体识别数据集中的分歧。
可以。将图像标注送入审核与返工阶段。审核人员可检查源数据、修正标签，并在需要更多工作时将数据项退回。
可以。使用数据集搜索、元数据、标签和可用筛选条件选择相关图像资源。在准备工作流中保留代表性场景和困难示例。
以适合标签类型的受支持格式导出已审核图像标注。数据集版本帮助团队识别哪些已准备示例属于训练或评估发布版本。
