{"id":13944,"date":"2022-04-21T05:14:00","date_gmt":"2022-04-20T23:44:00","guid":{"rendered":"https:\/\/www.datalabelify.com\/en\/?p=13944"},"modified":"2023-10-28T22:55:07","modified_gmt":"2023-10-28T17:25:07","slug":"mean-average-precision","status":"publish","type":"post","link":"https:\/\/www.datalabelify.com\/et\/keskmine-keskmine-tapsus\/","title":{"rendered":"Keskmine keskmine t\u00e4psus (mAP) 101: k\u00f5ik, mida peate teadma"},"content":{"rendered":"<p>Keskmine keskmine t\u00e4psus (mAP) on oluline m\u00f5\u00f5dik objektide tuvastamise mudelite hindamiseks, nende j\u00f5udluse ja t\u00e4psuse m\u00f5\u00f5tmiseks. Arvutades keskmiste t\u00e4psusv\u00e4\u00e4rtuste keskmise, annab mAP igak\u00fclgse hinnangu mudeli v\u00f5imekuse kohta.<\/p>\n<p>See sisaldab alamm\u00f5\u00f5dikuid, nagu segadusmaatriks, ristmik \u00fcle \u00fchenduse (IoU), tagasikutsumine ja t\u00e4psus ning seda kasutatakse laialdaselt etalonprobleemide jaoks, nagu Pascal, VOC ja COCO.<\/p>\n<p>Selles artiklis k\u00e4sitletakse mAP-i arvutamist, t\u00e4ppis-meelekutsumise k\u00f5vera t\u00e4htsust ja muid sellega seotud m\u00f5\u00f5dikuid, mis annavad lugejatele s\u00fcgava arusaamise objekti tuvastamise hindamisest.<\/p>\n<p><h2>V\u00f5tmed kaasav\u00f5tmiseks<\/h2><\/p>\n<ul>\n<li>Keskmine keskmine t\u00e4psus (mAP) on m\u00f5\u00f5dik, mida kasutatakse objektide tuvastamise mudelite hindamiseks.<\/li>\n<li>mAP arvutab keskmise t\u00e4psuse (AP) v\u00e4\u00e4rtuste keskmise, mis arvutatakse meeldetuletusv\u00e4\u00e4rtuste alusel vahemikus 0 kuni 1.<\/li>\n<li>T\u00e4psus-taaskutsumise k\u00f5ver on oluline, kuna see joonistab t\u00e4psus- ja meeldetuletusv\u00e4\u00e4rtused mudeli usaldusskoori l\u00e4ve suhtes, andes parema \u00fclevaate mudeli t\u00e4psusest.<\/li>\n<li>mAP-i kasutatakse tavaliselt objektide tuvastamise ja segmenteerimiss\u00fcsteemide toimivuse anal\u00fc\u00fcsimiseks ning see v\u00f5tab arvesse nii valepositiivseid (FP) kui ka valenegatiivseid (FN).<\/li>\n<\/ul>\n<p><h2>Kaardi arvutamine<\/h2><\/p>\n<p>MAP arvutamine h\u00f5lmab iga klassi keskmise t\u00e4psuse (AP) m\u00e4\u00e4ramist ja seej\u00e4rel nende koos keskmistamist. AP arvutamiseks alustame ennustusskooride genereerimisega andmestiku iga eksemplari jaoks. Need skoorid esindavad mudeli ennustuse usaldustaset.<\/p>\n<p>J\u00e4rgmisena teisendame need hinded klassi siltideks, rakendades l\u00e4ve. See v\u00f5imaldab meil kindlaks teha, kas ennustust peetakse positiivseks v\u00f5i negatiivseks. Kui meil on ennustussildid, saame arvutada segadusmaatriksi, mis annab teavet t\u00f5eliste positiivsete, valepositiivsete, t\u00f5este negatiivsete ja valenegatiivsete kohta.<\/p>\n<p>Sellest maatriksist arvutame t\u00e4psuse ja tuletame meelde v\u00e4\u00e4rtused. L\u00f5puks, kasutades AP kaalutud keskmise arvutamist, saame iga klassi keskmise t\u00e4psuse.<\/p>\n<p>See protsess v\u00f5imaldab meil hinnata mudeli toimivust t\u00e4psuse ja meeldetuletuse osas, pakkudes v\u00e4\u00e4rtuslikku teavet objektide tuvastamise \u00fclesannete jaoks.<\/p>\n<p><h2>T\u00e4psus-kutsumisk\u00f5ver ja selle t\u00e4htsus<\/h2><\/p>\n<p>Precision-Recall k\u00f5ver on \u00fclioluline t\u00f6\u00f6riist objektituvastusmudelite toimivuse hindamisel. See joonistab t\u00e4psus- ja meeldetuletusv\u00e4\u00e4rtused mudeli usaldusskoori l\u00e4ve alusel, pakkudes v\u00e4\u00e4rtuslikku teavet mudeli t\u00e4psuse kohta. T\u00e4psus m\u00f5\u00f5dab mudeli \u00f5igeid ennustusi, tagasikutsumine aga seda, kui k\u00f5ik ennustused on tehtud. Ainu\u00fcksi neil n\u00e4itajatel on aga piirangud. T\u00e4pse meeldetuletamise k\u00f5ver \u00fcletab need piirangud, maksimeerides m\u00f5lema m\u00f5\u00f5diku m\u00f5ju, andes parema \u00fclevaate mudeli t\u00e4psusest. See v\u00f5imaldab olenevalt probleemist leida kompromissi t\u00e4psuse ja tagasikutsumise vahel. Leides optimaalse tasakaalu t\u00e4psuse ja meeldetuletuse vahel, saame mudeli t\u00e4psust maksimeerida. J\u00e4rgmises tabelis on n\u00e4ide t\u00e4psuse tagasikutsumise k\u00f5verast.<\/p>\n<table>\n<thead>\n<tr>\n<th style=\"text-align: center\">Usalduse skoori l\u00e4vi<\/th>\n<th style=\"text-align: center\">T\u00e4psus<\/th>\n<th style=\"text-align: center\">Tagasikutsumine<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td style=\"text-align: center\">0.1<\/td>\n<td style=\"text-align: center\">0.90<\/td>\n<td style=\"text-align: center\">0.95<\/td>\n<\/tr>\n<tr>\n<td style=\"text-align: center\">0.3<\/td>\n<td style=\"text-align: center\">0.85<\/td>\n<td style=\"text-align: center\">0.92<\/td>\n<\/tr>\n<tr>\n<td style=\"text-align: center\">0.5<\/td>\n<td style=\"text-align: center\">0.80<\/td>\n<td style=\"text-align: center\">0.88<\/td>\n<\/tr>\n<tr>\n<td style=\"text-align: center\">0.7<\/td>\n<td style=\"text-align: center\">0.75<\/td>\n<td style=\"text-align: center\">0.82<\/td>\n<\/tr>\n<tr>\n<td style=\"text-align: center\">0.9<\/td>\n<td style=\"text-align: center\">0.70<\/td>\n<td style=\"text-align: center\">0.75<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p><h2>Kaart objektide tuvastamiseks<\/h2><\/p>\n<p>Arutelus edasi liikudes s\u00fcvenegem objekti tuvastamise keskmise t\u00e4psuse (mAP) kontseptsiooni.<\/p>\n<p>mAP m\u00e4ngib olulist rolli etalonprobleemides, nagu Pascal, VOC, COCO ja palju muud. See toimib v\u00f5imsa t\u00f6\u00f6riistana objektide tuvastamise ja segmenteerimiss\u00fcsteemide toimivuse anal\u00fc\u00fcsimiseks.<\/p>\n<p>\u00dcks mAP-i oluline komponent on objekti tuvastamiseks m\u00f5eldud ristmik (IoU). IoU m\u00f5\u00f5dab prognoositud piirdekasti ja p\u00f5hit\u00f5e piirdekasti kattuvust.<\/p>\n<p>Arvestades nii valepositiivseid (FP) kui ka valenegatiivseid (FN), annab mAP objektide tuvastamise mudelite igak\u00fclgse hinnangu. See m\u00f5\u00f5dik v\u00f5imaldab valdkonna teadlastel ja praktikutel hinnata t\u00e4psuse ja tagasikutsumise vahelist kompromissi, muutes selle sobivaks enamiku tuvastamisrakenduste jaoks.<\/p>\n<p><h2>Muud kaardiga seotud m\u00f5\u00f5dikud<\/h2><\/p>\n<p>Lisaks on mitu muud m\u00f5\u00f5dikut, mis on mAP-iga tihedalt seotud ja t\u00e4iendavad selle objektide tuvastamise mudelite hindamist. Kaks sellist m\u00f5\u00f5dikut on F1 Score ja AUC (Area Under the Curve). F1 skoor on laialdaselt kasutatav m\u00f5\u00f5dik, mis arvutab tasakaalu t\u00e4psuse ja tagasikutsumise vahel, pakkudes \u00fchtset v\u00e4\u00e4rtust, mis esindab mudeli \u00fcldist j\u00f5udlust. See leiab optimaalse usaldusskoori l\u00e4ve, kus F1 skoor on k\u00f5rgeim, andes m\u00f5\u00f5diku selle kohta, kui h\u00e4sti mudel tasakaalustab t\u00e4psuse ja meeldetuletuse. Teisest k\u00fcljest katab AUC t\u00e4ppis-kutsumisk\u00f5vera all oleva ala, pakkudes mudeli j\u00f5udluse \u00fcldist m\u00f5\u00f5dikut. See arvestab t\u00e4psuse ja meeldetuletuse vahelist kompromissi erinevate usaldusskoori l\u00e4vede juures. Nii F1 Score kui ka AUC t\u00e4iendavad mAP-i objektide tuvastamise mudelite hindamisel, pakkudes t\u00e4iendavat teavet nende toimivuse kohta ja v\u00f5imaldades p\u00f5hjalikumat hindamist.<\/p>\n<table>\n<thead>\n<tr>\n<th style=\"text-align: center\">M\u00f5\u00f5dik<\/th>\n<th style=\"text-align: center\">Kirjeldus<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td style=\"text-align: center\">F1 skoor<\/td>\n<td style=\"text-align: center\">Arvutab tasakaalu t\u00e4psuse ja meeldetuletuse vahel, pakkudes mudeli j\u00f5udluse \u00fcldist m\u00f5\u00f5dikut.<\/td>\n<\/tr>\n<tr>\n<td style=\"text-align: center\">AUC<\/td>\n<td style=\"text-align: center\">H\u00f5lmab t\u00e4ppis-kutsumisk\u00f5vera all oleva ala, andes igak\u00fclgse \u00fclevaate mudeli j\u00f5udlusest.<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p>Need m\u00f5\u00f5dikud koos mAP-iga moodustavad v\u00f5imsa t\u00f6\u00f6riistakomplekti tuvastusmudelite hindamiseks, v\u00f5imaldades n\u00fcansirikkamalt m\u00f5ista nende tugevaid ja n\u00f5rku k\u00fclgi. Arvestades mitut m\u00f5\u00f5dikut, saavad teadlased ja praktikud teha teadlikke otsuseid ja parandada objektide tuvastamise s\u00fcsteemide j\u00f5udlust. Vabanemine traditsiooniliste hindamismeetodite piirangutest on arvutin\u00e4gemise piiride nihutamiseks ja valdkonna edendamiseks \u00fclioluline.<\/p>\n<p><h2>J\u00e4reldus<\/h2><\/p>\n<p>Kokkuv\u00f5tteks v\u00f5ib \u00f6elda, et keskmise keskmise t\u00e4psuse (mAP) ja sellega seotud m\u00f5\u00f5dikute m\u00f5istmine on objektide tuvastamise mudelite toimivuse t\u00e4pseks hindamiseks h\u00e4davajalik.<\/p>\n<p>Siiski on oluline tunnistada mAP-i piiranguid objektide tuvastamise mudelites. Kuigi mAP annab p\u00f5hjaliku hinnangu, v\u00f5ttes arvesse nii t\u00e4psust kui ka tagasikutsumist, ei pruugi see tabada konkreetsete tuvastamis\u00fclesannete n\u00fcansse ega lahendada reaalse maailma stsenaariumide loomup\u00e4raseid v\u00e4ljakutseid.<\/p>\n<p>MAP-i arvutamise ja t\u00f5lgendamise edasised arengud ja edusammud peaksid keskenduma nende piirangute k\u00e4sitlemisele. See v\u00f5ib h\u00f5lmata uudsete l\u00e4henemisviiside uurimist klassi tasakaalustamatuse k\u00e4sitlemiseks, mitme objekti eksemplari k\u00e4sitlemiseks ja kontekstuaalse teabe kaasamiseks.<\/p>\n<p>Lisaks v\u00f5ivad edusammud s\u00fcva\u00f5ppe tehnikates, nagu t\u00e4helepanumehhanismid ja hierarhiline modelleerimine, veelgi suurendada mAP-m\u00f5\u00f5tmiste t\u00e4psust ja tugevust. Pidevalt mAP-i piire nihutades saame p\u00fc\u00fcdleda usaldusv\u00e4\u00e4rsemate ja t\u00f5husamate objektituvastusmudelite poole, mis annavad meile v\u00f5imaluse avada uusi v\u00f5imalusi erinevates valdkondades.<\/p>\n<p><h2>Korduma kippuvad k\u00fcsimused<\/h2><h3>Kuidas kaart erineb objektituvastusmudelite t\u00e4psusest?<\/h3><\/p>\n<p>T\u00e4psus on objektide tuvastamise mudelites sageli kasutatav m\u00f5\u00f5dik, kuid sellel on piirangud. Erinevalt t\u00e4psusest v\u00f5tab mAP arvesse nii valepositiivseid kui ka valenegatiivseid tulemusi, pakkudes mudeli toimivusele p\u00f5hjalikumat hinnangut.<\/p>\n<p>mAP arvestab ka kompromissi t\u00e4psuse ja tagasikutsumise vahel, muutes selle sobivaks enamiku tuvastamisrakenduste jaoks. V\u00f5rdluseks, t\u00e4psus m\u00f5\u00f5dab ainult \u00f5igete ennustuste protsenti, arvestamata objektide tuvastamise spetsiifilisi v\u00e4ljakutseid.<\/p>\n<p>Seet\u00f5ttu on mAP objekti tuvastamise mudelite jaoks t\u00f5husam hindamism\u00f5\u00f5dik.<\/p>\n<p><h3>Kas kaarti saab kasutada mudelite hindamiseks muudeks \u00fclesanneteks peale objektide tuvastamise?<\/h3><\/p>\n<p>mAP ehk Mean Average Precision on objektide tuvastamise mudelite hindamiseks laialdaselt kasutatav m\u00f5\u00f5dik. Kuid selle rakendatavus ulatub kaugemale objektide tuvastamisest.<\/p>\n<p>Kuigi mAP-i kasutatakse peamiselt arvutin\u00e4gemise \u00fclesannete kontekstis, nagu objektide tuvastamine ja segmenteerimine, saab seda kohandada ka muude \u00fclesannete jaoks, nagu teksti klassifitseerimine ja soovituss\u00fcsteemid.<\/p>\n<p><h3>Mis t\u00e4htsus on usaldusskoori l\u00e4vel t\u00e4psus-meenutusk\u00f5veral?<\/h3><\/p>\n<p>Usaldusskoori l\u00e4ve olulisus t\u00e4psuse ja meeldetuletamise k\u00f5veras seisneb selle v\u00f5imes m\u00e4\u00e4rata t\u00e4psuse ja meeldetuletuse vaheline kompromiss. Usaldusl\u00e4ve kohandamisega saab prioriteediks seada kas t\u00e4psuse v\u00f5i tagasikutsumise, l\u00e4htudes \u00fclesande konkreetsetest n\u00f5uetest.<\/p>\n<p>See paindlikkus v\u00f5imaldab mudeli j\u00f5udlust n\u00fcansirikkamalt hinnata, kuna see v\u00f5imaldab uurida erinevaid t\u00f6\u00f6punkte.<\/p>\n<p>Lisaks v\u00f5ib usaldusl\u00e4ve muutmine m\u00f5jutada mAP-i tulemusi, r\u00f5hutades selle parameetri m\u00f5istmise ja optimeerimise t\u00e4htsust.<\/p>\n<p><h3>Kuidas kaart k\u00e4sitleb kompromissi valepositiivsete ja valede negatiivsete vahel?<\/h3><\/p>\n<p>Objektide tuvastamise mudelites k\u00e4sitleb keskmine t\u00e4psus (mAP) kompromissi valepositiivsete ja valenegatiivsete vahel, v\u00f5ttes arvesse klassi tasakaalustamatuse m\u00f5ju mAP-i j\u00f5udlusele.<\/p>\n<p>Klassi tasakaalustamatus viitab positiivsete ja negatiivsete valimite ebav\u00f5rdsele jaotusele andmekogumis.<\/p>\n<p>MAP-i optimeerimiseks saab selle probleemi lahendamiseks kasutada selliseid meetodeid nagu andmete suurendamine, klasside kaalumine ja \u00fclediskreetimine.<\/p>\n<p>Need l\u00e4henemisviisid aitavad mudelil v\u00e4hemusklassilt \u00f5ppida ja parandavad selle v\u00f5imet tasakaalustada valepositiivseid ja valenegatiivseid, parandades l\u00f5puks mudeli \u00fcldist j\u00f5udlust.<\/p>\n<p><h3>Kas kaardi kasutamisel objektide tuvastamise mudelite hindamism\u00f5\u00f5dikuna on mingeid piiranguid v\u00f5i puudusi?<\/h3><\/p>\n<p>MAP-i kasutamisel objektide tuvastamise mudelite hindamism\u00f5\u00f5dikuna on teatud piirangud ja puudused.<\/p>\n<p>\u00dcks piirang on see, et mAP ei v\u00f5ta arvesse tuvastatud objektide lokaliseerimise t\u00e4psust. See kohtleb k\u00f5iki tuvastamisi v\u00f5rdselt, olenemata nende ruumilisest kattumisest p\u00f5hit\u00f5ega.<\/p>\n<p>Lisaks ei v\u00f5ta mAP arvesse erinevate objektiklasside raskusi, mis v\u00f5ib viia kallutatud hinnanguteni.<\/p>\n<p><h2>J\u00e4reldus<\/h2><\/p>\n<p>Kokkuv\u00f5tteks v\u00f5ib \u00f6elda, et keskmine t\u00e4psus (mAP) on keskne m\u00f5\u00f5dik objekti tuvastamise mudelite toimivuse ja t\u00e4psuse hindamisel. Arvutades keskmiste t\u00e4psusv\u00e4\u00e4rtuste keskmise, annab mAP igak\u00fclgse hinnangu mudeli v\u00f5imekuse kohta.<\/p>\n<p>T\u00e4psuse ja tagasikutsumise k\u00f5ver v\u00f5imaldab kompromisse t\u00e4psuse ja tagasikutsumise vahel, aidates paremini m\u00f5ista mudeli t\u00e4psust.<\/p>\n<p>mAP leiab laialdast rakendust objektide tuvastamise ja segmenteerimiss\u00fcsteemide toimivuse anal\u00fc\u00fcsimisel, mist\u00f5ttu on see eelistatud valik v\u00f5rdlusaluste v\u00e4ljakutsete jaoks.<\/p>\n<p>Teised m\u00f5\u00f5dikud, nagu F1 Score ja AUC, t\u00e4iendavad mAP-i objektide tuvastamise mudelite t\u00f5hususe hindamisel.<\/p>","protected":false},"excerpt":{"rendered":"<p>Mean Average Precision &#40;mAP&#41; is a crucial metric for evaluating object detection models&#44; measuring their performance and accuracy. By calculating the mean of average precision values&#44; mAP provides a comprehensive assessment of a model&#39;s capability. It incorporates sub-metrics such as Confusion Matrix&#44; Intersection over Union &#40;IoU&#41;&#44; Recall&#44; and Precision&#44; and is widely used for benchmark [&hellip;]<\/p>","protected":false},"author":4,"featured_media":14311,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"inline_featured_image":false,"footnotes":""},"categories":[16],"tags":[],"class_list":["post-13944","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-artificial-intelligence"],"blocksy_meta":[],"featured_image_urls":{"full":["https:\/\/www.datalabelify.com\/wp-content\/uploads\/2022\/04\/Mean-Average-Precision.jpg",2240,1260,false],"thumbnail":["https:\/\/www.datalabelify.com\/wp-content\/uploads\/2022\/04\/Mean-Average-Precision-150x150.jpg",150,150,true],"medium":["https:\/\/www.datalabelify.com\/wp-content\/uploads\/2022\/04\/Mean-Average-Precision-300x169.jpg",300,169,true],"medium_large":["https:\/\/www.datalabelify.com\/wp-content\/uploads\/2022\/04\/Mean-Average-Precision-768x432.jpg",768,432,true],"large":["https:\/\/www.datalabelify.com\/wp-content\/uploads\/2022\/04\/Mean-Average-Precision-1024x576.jpg",1024,576,true],"1536x1536":["https:\/\/www.datalabelify.com\/wp-content\/uploads\/2022\/04\/Mean-Average-Precision-1536x864.jpg",1536,864,true],"2048x2048":["https:\/\/www.datalabelify.com\/wp-content\/uploads\/2022\/04\/Mean-Average-Precision-2048x1152.jpg",2048,1152,true],"trp-custom-language-flag":["https:\/\/www.datalabelify.com\/wp-content\/uploads\/2022\/04\/Mean-Average-Precision-18x10.jpg",18,10,true],"ultp_layout_landscape_large":["https:\/\/www.datalabelify.com\/wp-content\/uploads\/2022\/04\/Mean-Average-Precision-1200x800.jpg",1200,800,true],"ultp_layout_landscape":["https:\/\/www.datalabelify.com\/wp-content\/uploads\/2022\/04\/Mean-Average-Precision-870x570.jpg",870,570,true],"ultp_layout_portrait":["https:\/\/www.datalabelify.com\/wp-content\/uploads\/2022\/04\/Mean-Average-Precision-600x900.jpg",600,900,true],"ultp_layout_square":["https:\/\/www.datalabelify.com\/wp-content\/uploads\/2022\/04\/Mean-Average-Precision-600x600.jpg",600,600,true],"yarpp-thumbnail":["https:\/\/www.datalabelify.com\/wp-content\/uploads\/2022\/04\/Mean-Average-Precision-120x120.jpg",120,120,true]},"post_excerpt_stackable":"<p>Mean Average Precision &#40;mAP&#41; is a crucial metric for evaluating object detection models&#44; measuring their performance and accuracy. By calculating the mean of average precision values&#44; mAP provides a comprehensive assessment of a model&#39;s capability. It incorporates sub-metrics such as Confusion Matrix&#44; Intersection over Union &#40;IoU&#41;&#44; Recall&#44; and Precision&#44; and is widely used for benchmark challenges like Pascal&#44; VOC&#44; and COCO. This article delves into the calculation of mAP&#44; the importance of the precision-recall curve&#44; and other related metrics&#44; empowering readers with a deep understanding of object detection evaluation. Key Takeaways Mean Average Precision &#40;mAP&#41; is a metric used to&hellip;<\/p>\n","category_list":"<a href=\"https:\/\/www.datalabelify.com\/et\/category\/artificial-intelligence\/\" rel=\"category tag\">Artificial intelligence<\/a>","author_info":{"name":"Drew Banks","url":"https:\/\/www.datalabelify.com\/et\/author\/drewbanks\/"},"comments_num":"0 comments","_links":{"self":[{"href":"https:\/\/www.datalabelify.com\/et\/wp-json\/wp\/v2\/posts\/13944","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.datalabelify.com\/et\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.datalabelify.com\/et\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.datalabelify.com\/et\/wp-json\/wp\/v2\/users\/4"}],"replies":[{"embeddable":true,"href":"https:\/\/www.datalabelify.com\/et\/wp-json\/wp\/v2\/comments?post=13944"}],"version-history":[{"count":1,"href":"https:\/\/www.datalabelify.com\/et\/wp-json\/wp\/v2\/posts\/13944\/revisions"}],"predecessor-version":[{"id":14126,"href":"https:\/\/www.datalabelify.com\/et\/wp-json\/wp\/v2\/posts\/13944\/revisions\/14126"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.datalabelify.com\/et\/wp-json\/wp\/v2\/media\/14311"}],"wp:attachment":[{"href":"https:\/\/www.datalabelify.com\/et\/wp-json\/wp\/v2\/media?parent=13944"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.datalabelify.com\/et\/wp-json\/wp\/v2\/categories?post=13944"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.datalabelify.com\/et\/wp-json\/wp\/v2\/tags?post=13944"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}