Roboflow مجموعات البيانات
يمكنك الآن استخدام Roboflow لتنظيم مجموعات البيانات الخاصة بك وتسميتها وإعدادها وإصدارها واستضافتها لتدريب YOLOv5 🚀 النماذج. Roboflow مجاني للاستخدام مع YOLOv5 إذا جعلت مساحة العمل الخاصة بك عامة.
الترخيص
Ultralytics خيارين للترخيص:
- رخصةAGPL-3.0 ، وهي رخصة مفتوحة المصدر معتمدة من OSI، وهي رخصة مفتوحة المصدر مثالية للطلاب والمتحمسين.
- ترخيص المؤسسات للشركات التي تسعى إلى دمج نماذج الذكاء الاصطناعي الخاصة بنا في منتجاتها وخدماتها.
للمزيد من التفاصيل انظر Ultralytics الترخيص.
التحميل
يمكنك تحميل بياناتك إلى Roboflow عبر واجهة مستخدم الويب أو واجهة برمجة تطبيقات REST أو Python.
وضع العلامات
بعد تحميل البيانات إلى Roboflow ، يمكنك تسمية بياناتك ومراجعة التسميات السابقة.
الإصدار
يمكنك إنشاء إصدارات من مجموعة البيانات الخاصة بك بخيارات مختلفة للمعالجة المسبقة والتعزيز دون اتصال بالإنترنت. YOLOv5 يقوم بعمليات التعزيز عبر الإنترنت بشكل أصلي، لذا كن متعمدًا عند وضع التعزيزات غير المتصلة بالإنترنت Roboflow فوقها.
تصدير البيانات
يمكنك تنزيل بياناتك بتنسيق YOLOv5 لبدء التدريب بسرعة.
from roboflow import Roboflow
rf = Roboflow(api_key="YOUR API KEY HERE")
project = rf.workspace().project("YOUR PROJECT")
dataset = project.version("YOUR VERSION").download("yolov5")
التدريب المخصص
لقد أصدرنا برنامجًا تعليميًا تدريبيًا مخصصًا يوضح جميع الإمكانيات المذكورة أعلاه. يمكنك الوصول إلى الرمز هنا:
التعلّم النشط
العالم الحقيقي فوضوي وسيواجه نموذجك دائمًا مواقف لم تتوقعها مجموعة بياناتك. يعد استخدام التعلم النشط استراتيجية مهمة لتحسين مجموعة بياناتك ونموذجك بشكل متكرر. من خلال التكامل بين Roboflow و YOLOv5 ، يمكنك إجراء تحسينات سريعة على عمليات نشر نموذجك باستخدام خط أنابيب التعلم الآلي الذي تم اختباره في المعركة.
البيئات المدعومة
Ultralytics مجموعة من البيئات الجاهزة للاستخدام، كل منها مثبت مسبقًا مع التبعيات الأساسية مثل CUDA، CUDNN, Pythonو PyTorchلبدء مشاريعك.
- GPU دفاتر مجاناً:
- Google السحابة: دليل البدء السريع لـ GCP
- أمازون دليل AWS للبدء السريع
- Azure: دليل البدء السريع لـ AzureML
- دوكر: دليل البدء السريع لـ Docker
حالة المشروع
تشير هذه الشارة إلى اجتياز جميع اختبارات التكامل المستمر (CI) لإجراءات GitHub YOLOv5 بنجاح. تتحقق اختبارات التكامل المستمر هذه بدقة من وظائف وأداء YOLOv5 عبر مختلف الجوانب الرئيسية: التدريب والتحقق من الصحة والاستدلال والتصدير والمعايير. وهي تضمن تشغيلًا متسقًا وموثوقًا على أنظمة macOS وWindows وUbuntu، مع إجراء الاختبارات كل 24 ساعة وعند كل التزام جديد.
الأسئلة الشائعة
كيف يمكنني تحميل البيانات إلى Roboflow لتدريب النماذج YOLOv5 ؟
يمكنك تحميل بياناتك إلى Roboflow باستخدام ثلاث طرق مختلفة: عبر الموقع الإلكتروني أو واجهة برمجة تطبيقات REST أو من خلال Python. توفر هذه الخيارات مرونة حسب تفضيلاتك التقنية أو متطلبات مشروعك. بمجرد تحميل بياناتك، يمكنك تنظيمها وتسميتها وإصدارها للتحضير للتدريب باستخدام نماذج Ultralytics YOLOv5 . لمزيد من التفاصيل، قم بزيارة قسم التحميل في الوثائق.
ما هي مزايا استخدام Roboflow لتوسيم البيانات وتوسيم الإصدارات؟
Roboflow منصة شاملة لتنظيم البيانات وتوسيمها وإصدارها وهو أمر ضروري لسير عمل التعلم الآلي الفعال. من خلال استخدام Roboflow مع YOLOv5 ، يمكنك تبسيط عملية إعداد مجموعة البيانات، مما يضمن أن تكون بياناتك مشروحة بدقة ومُصدرة بشكل متسق. تدعم المنصة أيضًا العديد من خيارات المعالجة المسبقة والتعزيز دون اتصال بالإنترنت لتحسين جودة مجموعة البيانات الخاصة بك. للتعمق أكثر في هذه الميزات، راجع أقسام التسمية والإصدار في الوثائق.
كيف يمكنني تصدير مجموعة بياناتي من Roboflow إلى تنسيق YOLOv5 ؟
يعد تصدير مجموعة بياناتك من Roboflow إلى تنسيق YOLOv5 أمرًا بسيطًا ومباشرًا. يمكنك استخدام مقتطف الكود Python الوارد في الوثائق:
from roboflow import Roboflow
rf = Roboflow(api_key="YOUR API KEY HERE")
project = rf.workspace().project("YOUR PROJECT")
dataset = project.version("YOUR VERSION").download("yolov5")
سيقوم هذا الرمز بتحميل مجموعة البيانات الخاصة بك بتنسيق متوافق مع YOLOv5 ، مما يتيح لك البدء بسرعة في تدريب نموذجك. لمزيد من التفاصيل، راجع قسم تصدير البيانات.
ما هو التعلم النشط وكيف يعمل مع YOLOv5 و Roboflow ؟
التعلُّم النشط هو استراتيجية تعلُّم آلي تعمل على تحسين النموذج بشكل متكرر من خلال اختيار نقاط البيانات الأكثر إفادة لتسميتها بذكاء. باستخدام تكامل Roboflow و YOLOv5 ، يمكنك تنفيذ التعلّم النشط لتحسين أداء نموذجك باستمرار. ويتضمن ذلك نشر نموذج، والتقاط بيانات جديدة، واستخدام النموذج لإجراء تنبؤات، ثم التحقق يدويًا من تلك التنبؤات أو تصحيحها لمواصلة تدريب النموذج. لمزيد من المعلومات حول التعلم النشط، راجع قسم التعلم النشط أعلاه.
كيف يمكنني استخدام بيئات Ultralytics لتدريب نماذج YOLOv5 على منصات مختلفة؟
Ultralytics بيئات جاهزة للاستخدام مع التبعيات المثبتة مسبقًا مثل CUDA و CUDNN و Python و PyTorchمما يسهل عليك بدء مشاريعك التدريبية. تتوفر هذه البيئات على منصات مختلفة مثل Google Cloud و AWS و Azure و Docker. يمكنك أيضًا الوصول إلى دفاتر GPU المجانية عبر PaperspaceGoogle Colab و Kaggle. للحصول على تعليمات إعداد محددة، قم بزيارة قسم البيئات المدعومة في الوثائق.
