Roboflow مجموعات البيانات
يمكنك الآن استخدام Roboflow لتنظيم مجموعات البيانات الخاصة بك وتسميتها وإعدادها وإصدارها واستضافتها للتدريب YOLOv5 🚀 نماذج. Roboflow مجاني للاستخدام مع YOLOv5 إذا جعلت مساحة العمل الخاصة بك عامة.
الترخيص
Ultralytics يقدم خيارين للترخيص:
- ال AGPL-3.0 الترخيص ، ترخيص مفتوح المصدر معتمد من OSI مثالي للطلاب والمتحمسين.
- ترخيص المؤسسة للشركات التي تسعى إلى دمج نماذج الذكاء الاصطناعي الخاصة بنا في منتجاتها وخدماتها.
لمزيد من التفاصيل انظر Ultralytics الترخيص.
رفع
يمكنك تحميل بياناتك إلى Roboflow عبر واجهة مستخدم الويب أو واجهة برمجة تطبيقات REST أو Python.
وصفها
بعد تحميل البيانات إلى Roboflow، يمكنك تصنيف بياناتك ومراجعة التصنيفات السابقة.
تعيين الإصدار
يمكنك إنشاء إصدارات من مجموعة البيانات الخاصة بك باستخدام خيارات مختلفة للمعالجة المسبقة والتعزيز دون اتصال بالإنترنت. YOLOv5 يقوم بالتعزيزات عبر الإنترنت محليا ، لذا كن متعمدا عند وضع طبقات Roboflowفي التعزيزات غير المتصلة بالإنترنت في الأعلى.
تصدير البيانات
يمكنك تنزيل بياناتك في YOLOv5 شكل 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")
تدريب مخصص
لقد أصدرنا برنامجا تعليميا تدريبيا مخصصا يوضح جميع الإمكانات المذكورة أعلاه. يمكنك الوصول إلى الكود هنا:
التعلم النشط
The real world is messy and your model will invariably encounter situations your dataset didn't anticipate. Using active learning is an important strategy to iteratively improve your dataset and model. With the Roboflow and YOLOv5 integration, you can quickly make improvements on your model deployments by using a battle tested machine learning pipeline.
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
- Amazon: دليل التشغيل السريع لخدمة AWS
- Azure: دليل التشغيل السريع AzureML
- عامل ميناء: دليل التشغيل السريع ل Docker
حالة المشروع
تشير هذه الشارة إلى أن جميع YOLOv5 اجتياز اختبارات التكامل المستمر (CI) لإجراءات GitHub بنجاح. تتحقق اختبارات CI هذه بدقة من وظائف وأداءYOLOv5 عبر جوانب رئيسية مختلفة: التدريب ، والتحقق من الصحة ، والاستدلال ، والتصدير ، والمعايير. إنها تضمن التشغيل المتسق والموثوق به على macOS و Windows و Ubuntu ، مع إجراء الاختبارات كل 24 ساعة وعند كل التزام جديد.
الأسئلة المتداولة
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 وتسميتها 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.
What is active learning and how does it work with YOLOv5 and Roboflow?
التعلُّم النشط هو استراتيجية تعلُّم آلي تعمل على تحسين النموذج بشكل متكرر من خلال اختيار نقاط البيانات الأكثر إفادة لتسميتها بذكاء. باستخدام التكامل Roboflow و YOLOv5 ، يمكنك تنفيذ التعلّم النشط لتحسين أداء نموذجك باستمرار. ويتضمن ذلك نشر نموذج، والتقاط بيانات جديدة، واستخدام النموذج لعمل تنبؤات، ثم التحقق يدويًا من هذه 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 provides ready-to-use environments with pre-installed dependencies like CUDA, CUDNN, Python, and PyTorch, making it easier to kickstart your training projects. These environments are available on various platforms such as Google Cloud, AWS, Azure, and Docker. You can also access free GPU notebooks via Paperspace, Google Colab, and Kaggle. For specific setup instructions, visit the Supported Environments section of the documentation.