تلعب بيانات التدريب عالية الجودة دورًا محوريًا في مهام تقسيم الصور. عادةً ما تكون التسميات على مستوى البكسل مكلفة وشاقة وتستهلك وقتًا طويلاً، خاصة مع الحجم الكبير لبيانات التدريب. لخفض تكلفة التسمية وتحسين جودة التقسيم، تم اقتراح أساليب التقسيم التفاعلي، التي تُنتج نتائج دقيقة ببساطة من خلال عدد قليل من النقرات. ومع ذلك، لا تحقق هذه الأساليب متطلبات المهام العملية من حيث السرعة والدقة. في هذا العمل، نقترح EdgeFlow، وهي معمارية جديدة تُستخدم بالكامل المعلومات التفاعلية الناتجة عن نقرات المستخدم مع توجيه تدفق الحواف. تحقق طريقة العمل لدينا أداءً متميزًا على مستوى الحد الأقصى دون الحاجة إلى أي معالجة ما بعد أو خوارزميات تحسين متكررة. كما تُظهر التجارب الشاملة على مجموعات المعايير المعيارية تفوق طريقة العمل المقترحة. بالإضافة إلى ذلك، وباستخدام الطريقة المقترحة، قمنا بتطوير أداة تفاعلية فعالة لمهام التسمية العملية للبيانات. يمكن الوصول إلى الشفرة المصدرية والأداة عبر الرابط التالي: https://github.com/PaddlePaddle/PaddleSeg.