# En bild kan få två COCO-bild-ID:n

I en kontrollerad konvertering med Label Studio SDK 2.1.2 genererade två giltiga bedömningar av begränsningsrutor för en uppgift och en lokal bild två COCO-bild-ID:n. Båda bildraderna hade exakt samma filsökväg. Varje ruta hänvisade till ett eget genererat bild-ID. Det versionslåsta COCO Python-indexet listade sedan båda ID:na separat. När `LABEL_STUDIO_FORCE_ANNOTATOR_EXPORT` inte var satt i detta testfall innehöll raderna för begränsningsrutorna genererade annotations-ID:n och utelämnade de ursprungliga bedömnings- och aktörs-ID:na. [Konverterarens bildrader](https://github.com/HumanSignal/label-studio-sdk/blob/c20c899aaaa302740dacd46a47e5774bb677561f/src/label_studio_sdk/converter/converter.py#L767-L830) · [Rader för begränsningsrutor](https://github.com/HumanSignal/label-studio-sdk/blob/c20c899aaaa302740dacd46a47e5774bb677561f/src/label_studio_sdk/converter/converter.py#L885-L936) · [COCO-index](https://github.com/ppwwyyxx/cocoapi/blob/2971b0430e0990f119c60c8708ca66d4a5fed5d0/PythonAPI/pycocotools/coco.py#L89-L117) · [Ofiltrerade bild-ID:n](https://github.com/ppwwyyxx/cocoapi/blob/2971b0430e0990f119c60c8708ca66d4a5fed5d0/PythonAPI/pycocotools/coco.py#L177-L196)

| Källa för en bild | COCO-resultat | Ofiltrerat COCO-index |
| --- | --- | --- |
| Två olika bedömningar | Två rader för samma sökväg, med resultat B på ID 0 och A på ID 1 | ID 0 och 1 |
| Två överensstämmande bedömningar | Två rader för samma sökväg, med resultat A på båda ID:na | ID 0 och 1 |
| En vald bedömning | En rad för sökvägen, med resultat A på ID 0 | ID 0 |

Konverteraren skapar ett objekt per bedömning som uppfyller villkoren. I den testade grenen tilldelar den varje objekt ett bild-ID och lägger till en ny bildpost. Både överensstämmande och olika bedömningar gav två ID:n. Det [sammankopplade YOLO-testfallet](https://sapien1.com/sv/research/annotation-export-yolo-coco/README.md) skickar två olika bedömningar av en bild till en enda utdatasökväg, där den lyckade äldre skrivningen ersätter den nyare. Räkna antalet unika levererade bildsökvägar och kontrollera kopplingen mellan källans bedömningar och bilder när ett dataset ska innehålla en rad per ursprungsbild. Unika numeriska ID:n räcker inte för att verifiera detta. Poängen i en utvärdering beror på hur den som anropar utvärderingen använder ID:na, och här mättes ingen poäng. [Gemensam projektionslogik för annotationer](https://github.com/HumanSignal/label-studio-sdk/blob/c20c899aaaa302740dacd46a47e5774bb677561f/src/label_studio_sdk/converter/converter.py#L593-L653)

Kör `python3 -B check-coco-identity.py | cmp - coco-identity-observations.json` med kontroll av fel i pipelinen. [Kontrollskriptet](https://sapien1.com/research/annotation-export-yolo-coco/check-coco-identity.py), SHA-256 `fb6f5a0eb3b8f269576353203f40e81b46515e55182f9b377b45ba34e4925d82`, använder exakt samma projektionslogik för annotationer, rektangelgeometri och COCO-skrivare som det versionslåsta SDK:t samt exakt samma index och ID-fråga som den versionslåsta COCO Python-källkoden. En lokal ersättning för bildstorleksavläsning anger 100 gånger 100 för en fast fiktiv bild. Kontrollunderlaget jämför den fullständiga sökvägen till källbilden innan den normaliseras till ett stabilt basfilnamn. Två lokala körningar och en oberoende upprepning gav identiska resultat byte för byte i alla tre fallen. [Sparade observationer](https://sapien1.com/research/annotation-export-yolo-coco/coco-identity-observations.json), SHA-256 `bb4b13aae5a7c471507f1ebcdb9cac2dcd7c2fe62f232489b0a00078ec12e222`.

En tidigare rapport dokumenterar effekten där den äldre bedömningen ersätter den nyare i YOLO. Sökningen efter COCO-relaterat material gav närliggande rapporter om tvetydiga tomma resultat och extra annotationer från frikopplade penselmasker. Den här pilotstudien kontrollerar bild-ID:n vid flera bedömningar av en bild. Den använder offentlig versionslåst SDK-kod under Apache-2.0 och BSD-licensierad COCO-kod som hämtas vid körning samt innehåller egen kod och påhittade resultat. Den installerade appen, medieavkodning, modellträning och utvärdering ingår inte i testfallet. [Tidigare YOLO-rapport](https://github.com/HumanSignal/label-studio/issues/5421) · [Ärende om tomma COCO-resultat](https://github.com/HumanSignal/label-studio/issues/9774) · [Ärende om penselmasker](https://github.com/HumanSignal/label-studio/issues/7737) · [SDK-licens](https://github.com/HumanSignal/label-studio-sdk/blob/c20c899aaaa302740dacd46a47e5774bb677561f/LICENSE) · [COCO-licens](https://github.com/ppwwyyxx/cocoapi/blob/2971b0430e0990f119c60c8708ca66d4a5fed5d0/license.txt)

För att köra COCO-kontrollskriptet sparar du [YOLO-kontrollskriptet (check.py)](https://sapien1.com/research/annotation-export-yolo-coco/check.py) i samma katalog. För att återskapa den tillhörande studien jämför du dess utdata med [YOLO-observationerna (JSON)](https://sapien1.com/research/annotation-export-yolo-coco/observations.json).
