Roboflow 100-Datensatz
Roboflow 100 (RF100), unterstützt von Intel, ist ein Benchmark für die Objekterkennung, der aus 100 vielfältigen Datensätzen besteht. Damit lässt sich testen, wie gut Computer-Vision-Modelle wie Ultralytics-YOLO-Modelle sich an unterschiedliche Bereiche anpassen, darunter das Gesundheitswesen, Luftbilder und Videospiele.
Wichtige Funktionen#
- Vielfältige Bereiche: Umfasst 100 Datensätze aus sieben unterschiedlichen Bereichen: Luftbilder, Videospiele, Mikroskopie, Unterwasser, Dokumente, elektromagnetische Daten und reale Welt.
- Umfang: Der Benchmark umfasst 224.714 Bilder aus 805 Klassen und bildet einen Aufwand von mehr als 11.170 Stunden für die Datenannotation ab.
- Standardisierung: Alle Bilder werden vorverarbeitet und für eine einheitliche Bewertung auf 640x640 Pixel skaliert.
- Saubere Bewertung: Der Schwerpunkt liegt darauf, Mehrdeutigkeiten bei Klassen zu beseitigen und unterrepräsentierte Klassen herauszufiltern, um eine sauberere Modellbewertung zu ermöglichen.
- Annotationen: Enthält Bounding-Boxen für Objekte, die sich zum Trainieren und Bewerten von Objekterkennungsmodellen anhand von Metriken wie mAP eignen.
Datensatzstruktur#
Der Roboflow 100-Datensatz ist in sieben Kategorien gegliedert, die jeweils eine einzigartige Auswahl an Datensätzen, Bildern und Klassen umfassen:
- Luftbilder: 7 Datensätze, 9.683 Bilder, 24 Klassen.
- Videospiele: 7 Datensätze, 11.579 Bilder, 88 Klassen.
- Mikroskopie: 11 Datensätze, 13.378 Bilder, 28 Klassen.
- Unterwasser: 5 Datensätze, 18.003 Bilder, 39 Klassen.
- Dokumente: 8 Datensätze, 24.813 Bilder, 90 Klassen.
- Elektromagnetische Daten: 12 Datensätze, 36.381 Bilder, 41 Klassen.
- Reale Welt: 50 Datensätze, 110.615 Bilder, 495 Klassen.
Diese Struktur bietet ein vielfältiges und umfangreiches Testfeld für Objekterkennungsmodelle und spiegelt zahlreiche reale Anwendungsszenarien wider, die in verschiedenen Ultralytics-Lösungen vorkommen.
Benchmarking#
Beim Benchmarking von Datensätzen wird die Leistung von Modellen des maschinellen Lernens auf bestimmten Datensätzen anhand standardisierter Metriken bewertet. Zu den gängigen Metriken zählen Genauigkeit, mittlere durchschnittliche Präzision (mAP) und der F1-Wert. Mehr dazu erfährst du in unserem Leitfaden zu den YOLO-Leistungsmetriken.
Alle Ausgaben werden in einem einzigen Verzeichnis runs/<task>/multitrain/ zusammengefasst: Jeder Datensatz wird in einem eigenen Unterverzeichnis feinabgestimmt (mit einer eigenen results.png), und die Metriken pro Datensatz sowie die Mittelwerte werden in multitrain_results.json zusammen mit einem Balkendiagramm multitrain_results.png gespeichert. Der Aufruf model.train() gibt außerdem ein {dataset: metrics}-Wörterbuch für den programmatischen Zugriff zurück.
Das folgende Skript lädt die in datasets_links.txt aufgeführten Roboflow 100-Datensätze von Roboflow herunter und stimmt anschließend ein einzelnes Basismodell (z. B. YOLO26n) mit einem einzigen Aufruf von model.train() auf die gesamte Sammlung ab. Wenn du eine Liste von Datensätzen übergibst, wird das Basismodell nacheinander auf jedem Datensatz feinabgestimmt und die Ergebnisse über alle Datensätze hinweg werden automatisch visualisiert.
import re
from pathlib import Path
from roboflow import Roboflow
from ultralytics import YOLO
from ultralytics.utils import ASSETS_URL, LOGGER, YAML
from ultralytics.utils.downloads import safe_download
# Download the RF100 datasets (requires a Roboflow API key)
rf = Roboflow(api_key="YOUR_ROBOFLOW_API_KEY")
safe_download(f"{ASSETS_URL}/datasets_links.txt") # list of RF100 dataset links
datasets = []
for line in Path("datasets_links.txt").read_text().splitlines():
try:
_, _url, workspace, project, version = re.split("/+", line.strip())
location = f"rf-100/{project}-{version}"
rf.workspace(workspace).project(project).version(version).download("yolov8", location=location)
yaml = Path(location) / "data.yaml"
cfg = YAML.load(yaml) # point train/val at the downloaded image folders
cfg["train"], cfg["val"] = "train/images", "valid/images"
YAML.save(yaml, cfg)
datasets.append(str(yaml))
except Exception as e:
LOGGER.warning(f"Failed to prepare dataset from {line!r}: {e}")
# Fine-tune one base model across all RF100 datasets and visualize the cross-dataset results
model = YOLO("yolo26n.pt")
results = model.train(data=datasets, epochs=100, imgsz=640) # {dataset: metrics}
# Per-dataset runs, multitrain_results.json (per-dataset + mean), and multitrain_results.png are saved
# together under runs/detect/multitrain. Read results in-memory or from the JSON for custom post-processing.
for dataset, metrics in results.items():
if metrics: # None if that dataset failed to train
print(f"{dataset}: mAP50-95 = {metrics['metrics/mAP50-95(B)']:.4f}")Anwendungsfälle#
Roboflow 100 eignet sich für zahlreiche Anwendungen in den Bereichen Computer Vision und Deep Learning. Forschende und Ingenieurinnen und Ingenieure können diesen Benchmark verwenden, um:
- die Leistung von Objekterkennungsmodellen in einem bereichsübergreifenden Kontext zu bewerten.
- die Anpassungsfähigkeit und Robustheit von Modellen in realen Szenarien zu testen, die über gängige Benchmark-Datensätze wie COCO oder PASCAL VOC hinausgehen.
- die Fähigkeiten von Objekterkennungsmodellen anhand vielfältiger Datensätze zu vergleichen, auch in spezialisierten Bereichen wie Gesundheitswesen, Luftbildern und Videospielen.
- die Modellleistung über verschiedene Architekturen neuronaler Netze und Optimierungsverfahren hinweg zu vergleichen.
- bereichsspezifische Herausforderungen zu erkennen, für die spezielle Tipps zum Modelltraining oder Ansätze zur Feinabstimmung wie Transferlernen nötig sein könnten.
Verwendung#
Der Roboflow-100-Datensatz einschließlich Metadaten und Download-Links ist im offiziellen Roboflow-100-GitHub-Repository verfügbar. Sobald die Datensätze wie oben beschrieben heruntergeladen und vorbereitet wurden, können Ultralytics-Modelle mit einem einzigen Aufruf von model.train() für die gesamte Sammlung feinabgestimmt werden, indem du die Liste der YAML-Dateien der Datensätze übergibst.
Beispieldaten und Annotationen#
Roboflow 100 umfasst Datensätze mit vielfältigen Bildern, die aus unterschiedlichen Blickwinkeln und Bereichen stammen. Im Folgenden siehst du Beispiele annotierter Bilder aus dem RF100-Benchmark, die die Vielfalt der Objekte und Szenen veranschaulichen. Techniken wie Datenerweiterung können die Vielfalt beim Training weiter erhöhen.
Im Gegensatz zu herkömmlichen Benchmarks, die sich oft auf die Optimierung einer einzelnen Kennzahl in einem begrenzten Bereich konzentrieren, deckt Roboflow 100 zahlreiche Bereiche ab. Diese Bandbreite hilft bei der Entwicklung robusterer Computer-Vision-Modelle, die in vielen unterschiedlichen Szenarien gute Ergebnisse liefern.
Zitate und Danksagungen#
Wenn du den Roboflow 100-Datensatz für deine Forschung oder Entwicklungsarbeit verwendest, zitiere bitte die ursprüngliche wissenschaftliche Arbeit:
@misc{rf100benchmark,
Author = {Floriana Ciaglia and Francesco Saverio Zuppichini and Paul Guerrie and Mark McQuade and Jacob Solawetz},
Title = {Roboflow 100: A Rich, Multi-Domain Object Detection Benchmark},
Year = {2022},
Eprint = {arXiv:2211.13523},
url = {https://arxiv.org/abs/2211.13523}
}Wir danken dem Roboflow-Team und allen Mitwirkenden herzlich für ihren bedeutenden Einsatz bei der Erstellung und Pflege des Roboflow 100-Datensatzes als wertvolle Ressource für die Bildverarbeitungsgemeinschaft.
Häufig gestellte Fragen#
Der Roboflow 100-Datensatz ist ein Benchmark für Objekterkennungsmodelle. Er umfasst 100 vielfältige Datensätze aus Bereichen wie Gesundheitswesen, Luftbildern und Videospielen. Seine Bedeutung liegt darin, dass er eine standardisierte Möglichkeit bietet, die Anpassungsfähigkeit und Robustheit von Modellen in einer Vielzahl realer Szenarien zu testen und damit über herkömmliche, oft auf bestimmte Bereiche beschränkte Benchmarks hinausgeht.
Der Roboflow-100-Datensatz deckt sieben vielfältige Bereiche ab, die jeweils besondere Herausforderungen für Objekterkennungsmodelle bieten:
- Luftbilder: 7 Datensätze (z. B. Satellitenbilder und Drohnenaufnahmen).
- Videospiele: 7 Datensätze (z. B. Objekte aus verschiedenen Spielwelten).
- Mikroskopie: 11 Datensätze (z. B. Zellen und Partikel).
- Unterwasser: 5 Datensätze (z. B. Meereslebewesen und untergetauchte Objekte).
- Dokumente: 8 Datensätze (z. B. Textbereiche und Formularelemente).
- Elektromagnetische Daten: 12 Datensätze (z. B. Radarsignaturen und Visualisierungen von Spektraldaten).
- Reale Welt: 50 Datensätze (eine breite Kategorie mit Alltagsgegenständen, Szenen, Einzelhandel usw.).
Diese Vielfalt macht RF100 zu einer hervorragenden Ressource, um die Generalisierungsfähigkeit von Bildverarbeitungsmodellen zu bewerten.
Wenn du den Roboflow 100-Datensatz verwendest, zitiere bitte die ursprüngliche wissenschaftliche Arbeit, um den Urhebern Anerkennung zu geben. Hier ist die empfohlene BibTeX-Zitation:
Zitierung@misc{rf100benchmark, Author = {Floriana Ciaglia and Francesco Saverio Zuppichini and Paul Guerrie and Mark McQuade and Jacob Solawetz}, Title = {Roboflow 100: A Rich, Multi-Domain Object Detection Benchmark}, Year = {2022}, Eprint = {arXiv:2211.13523}, url = {https://arxiv.org/abs/2211.13523} }
Kommentare2
Stell eine Frage, teile deine Ergebnisse oder hilf jemand anderem.
mariem158
les étapes pour télécharger ce dataset roboflow100 pour détection aerienne ?
Glenn JocherUltralytics(bearbeitet)@mariem158 bonjour!
Pour télécharger et utiliser le dataset Roboflow 100 pour la détection aérienne, suivez ces étapes :
-
Accédez à Roboflow Universe:
- Visitez Roboflow Universe.
- Recherchez les datasets dans la catégorie "Aerial".
-
Téléchargez le Dataset:
- Cliquez sur le dataset aérien de votre choix.
- Utilisez le bouton "Export" pour télécharger les annotations et les images dans le format souhaité (par exemple, COCO, YOLO).
-
Utilisez le Dataset avec Ultralytics YOLO:
- Assurez-vous d'avoir les dernières versions de
torchetultralyticsinstallées. - Voici un exemple de code pour entraîner un modèle YOLO26 avec un dataset aérien téléchargé :
from ultralytics import YOLO # Charger le modèle YOLO26 model = YOLO('yolo26n.pt') # Entraîner le modèle avec le dataset aérien model.train(data='path/to/aerial_dataset.yaml', epochs=100, imgsz=640) - Assurez-vous d'avoir les dernières versions de
-
Benchmarking:
- Vous pouvez également utiliser le script de benchmarking fourni dans la documentation pour évaluer les performances de votre modèle sur différents datasets du Roboflow 100.
Pour plus de détails, consultez la documentation complète sur le dataset Roboflow 100 ici.
N'hésitez pas à revenir si vous avez d'autres questions ! 😊
Cordialement, L'équipe Ultralytics
-