Link to this sectionRoboflow#

Roboflow bietet Tools für data labeling und den Export von Datensätzen in verschiedenen Formaten, einschließlich YOLO. Dieser Leitfaden behandelt das Labeln, Exportieren und Bereitstellen von Daten für Ultralytics YOLO Modelle.

Dieser Leitfaden zeigt, wie du Daten für das Training eines benutzerdefinierten Ultralytics YOLO26 Modells mit Roboflow findest, labelst und organisierst.

• Daten für das Training sammeln
• Daten labeln
• Dataset-Management
• Daten exportieren
• Modelle bereitstellen
• Modelle evaluieren
• FAQ

Link to this sectionDaten für das Training eines benutzerdefinierten YOLO26 Modells sammeln#

Roboflow bietet zwei primäre Dienste zur Unterstützung bei der Datensammlung für Ultralytics YOLO Modelle an: Universe und Collect. Für allgemeinere Informationen zu Strategien der Datensammlung beachte unseren Leitfaden zur Datensammlung und Annotation.

Link to this sectionRoboflow Universe#

Roboflow Universe ist ein Online-Repository für Vision-Datasets. Du kannst Datensätze im YOLO-Format für die Verwendung mit Ultralytics Modellen exportieren.

Link to this sectionRoboflow Collect#

Wenn du Bilder lieber selbst sammelst, ist Roboflow Collect ein Open-Source-Projekt, das die automatische Bildsammlung über eine Webcam auf Edge-Geräten ermöglicht. Du kannst Text- oder Bild-Prompts verwenden, um die zu sammelnden Daten zu spezifizieren, was dabei hilft, nur die für dein Vision-Modell notwendigen Bilder zu erfassen.

Link to this sectionDaten für das YOLO26-Format hochladen, konvertieren und labeln#

Roboflow Annotate ist ein Online-Tool zum Labeln von Bildern für verschiedene Computer-Vision-Aufgaben, einschließlich object detection, classification und segmentation.

Um Daten für ein Ultralytics YOLO Modell zu labeln, erstelle ein Projekt in Roboflow, lade deine Bilder hoch und beginne mit der Annotation.

Link to this sectionAnnotationstools#

• Bounding Box Annotation: Drücke B oder klicke auf das Box-Symbol. Klicke und ziehe, um die bounding box zu erstellen. Ein Pop-up fordert dich auf, eine Klasse für die Annotation auszuwählen.
• Polygon-Annotation: Wird für instance segmentation verwendet. Drücke P oder klicke auf das Polygon-Symbol. Klicke Punkte um das Objekt herum, um das Polygon zu zeichnen.

Link to this sectionLabel Assistant (SAM-Integration)#

Roboflow integriert einen auf dem Segment Anything Model (SAM) basierenden Label-Assistenten, um die Annotation potenziell zu beschleunigen.

Um den Label-Assistenten zu verwenden, klicke auf das Cursor-Symbol in der Seitenleiste. SAM wird dann für dein Projekt aktiviert.

Fahre mit der Maus über ein Objekt und SAM schlägt möglicherweise eine Annotation vor. Klicke, um die Annotation zu akzeptieren. Du kannst die Spezifität der Annotation verfeinern, indem du innerhalb oder außerhalb des vorgeschlagenen Bereichs klickst.

Link to this sectionTagging#

Du kannst Bilder über das Tags-Panel in der Seitenleiste mit Tags versehen. Tags können Attribute wie Standort, Kameraquelle usw. darstellen. Diese Tags ermöglichen es dir, nach spezifischen Bildern zu suchen und Dataset-Versionen zu generieren, die Bilder mit bestimmten Tags enthalten.

Link to this sectionLabel Assist (modellbasiert)#

Modelle, die auf Roboflow gehostet werden, können mit Label Assist verwendet werden, um Annotationen vorzuschlagen. Lade deine YOLO-Modellgewichte auf Roboflow hoch (siehe Anweisungen unten) und aktiviere dann Label Assist über das Zauberstab-Symbol in der Seitenleiste.

Link to this sectionDataset-Management für YOLO26#

Roboflow bietet verschiedene Tools zum Verständnis und zur Verwaltung deiner Computer-Vision-Datasets.

Link to this sectionDataset-Suche#

Nutze die Dataset-Suche, um Bilder basierend auf Textbeschreibungen oder spezifischen Labels/Tags zu finden. Greife auf diese Funktion zu, indem du in der Seitenleiste auf "Dataset" klickst.

Link to this sectionHealth Check#

Verwende vor dem Training den Roboflow Health Check, um Einblicke in deinen Datensatz zu erhalten und potenzielle Verbesserungen zu identifizieren. Greife über den Link "Health Check" in der Seitenleiste darauf zu. Er liefert Statistiken zu Bildgrößen, Klassenverteilung, Annotations-Heatmaps und mehr.

Der Health Check schlägt möglicherweise Änderungen zur Leistungssteigerung vor, wie zum Beispiel den Ausgleich von Klassenungleichgewichten, die in der Klassenverteilungsfunktion identifiziert wurden. Das Verständnis der Dataset-Qualität ist entscheidend für ein effektives model training.

Link to this sectionDaten für Modellrobustheit vorverarbeiten und augmentieren#

Um deine Daten zu exportieren, musst du eine Dataset-Version erstellen, die einen Snapshot deines Datensatzes zu einem bestimmten Zeitpunkt darstellt. Klicke in der Seitenleiste auf "Versions" und dann auf "Create New Version". Hier kannst du Vorverarbeitungsschritte und data augmentations anwenden, um die Robustheit des Modells potenziell zu erhöhen.

Für jede ausgewählte Augmentierung erlaubt dir ein Pop-up, deren Parameter wie Helligkeit fein abzustimmen. Eine korrekte Augmentierung kann die Modellgeneralisierung erheblich verbessern, ein Schlüsselkonzept, das in unserem Leitfaden für Modelltrainingstipps besprochen wird.

Link to this sectionDaten in über 40 Formaten für das Modelltraining exportieren#

Sobald deine Dataset-Version generiert ist, kannst du sie in verschiedenen Formaten exportieren, die für das Modelltraining geeignet sind. Klicke auf der Versionsseite auf den Button "Export Dataset".

Wähle das Format "YOLO26" für die Kompatibilität mit Ultralytics Trainingspipelines. Du bist nun bereit, dein benutzerdefiniertes YOLO26 Modell zu trainieren. Beachte die Ultralytics Train-Modus-Dokumentation für detaillierte Anweisungen zum Starten des Trainings mit deinem exportierten Datensatz.

Link to this sectionBenutzerdefinierte YOLO26 Modellgewichte zum Testen und zur Bereitstellung hochladen#

Roboflow bietet eine skalierbare API für bereitgestellte Modelle sowie SDKs, die mit Geräten wie NVIDIA Jetson, Luxonis OAK, Raspberry Pi und GPU-basierten Systemen kompatibel sind. Erkunde verschiedene Modellbereitstellungsoptionen in unseren Leitfäden.

Du kannst YOLO26 Modelle bereitstellen, indem du ihre Gewichte mit einem einfachen Python Skript auf Roboflow hochlädst.

Erstelle eine neue Python-Datei und füge den folgenden Code hinzu:

import roboflow  # install with 'pip install roboflow'

# Log in to Roboflow (requires API key)
roboflow.login()

# Initialize Roboflow client
rf = roboflow.Roboflow()

# Define your workspace and project details
WORKSPACE_ID = "your-workspace-id"  # Replace with your actual Workspace ID
PROJECT_ID = "your-project-id"  # Replace with your actual Project ID
VERSION = 1  # Replace with your desired dataset version number
MODEL_PATH = "path/to/your/runs/detect/train/"  # Replace with the path to your YOLO26 training results directory

# Get project and version
project = rf.workspace(WORKSPACE_ID).project(PROJECT_ID)
dataset = project.version(VERSION)

# Upload model weights for deployment
# Ensure MODEL_PATH points to the directory containing 'best.pt'
dataset.deploy(
    model_type="yolov8",
    model_path=MODEL_PATH,
)  # Note: Use "yolov8" as model_type for YOLO26 compatibility in Roboflow deployment

print(f"Model from {MODEL_PATH} uploaded to Roboflow project {PROJECT_ID}, version {VERSION}.")
print("Deployment may take up to 30 minutes.")

Ersetze in diesem Code your-workspace-id, your-project-id, die VERSION-Nummer und den MODEL_PATH durch die spezifischen Werte deines Roboflow-Kontos, Projekts und lokalen Trainingsergebnis-Verzeichnisses. Stelle sicher, dass MODEL_PATH korrekt auf das Verzeichnis verweist, das deine trainierte best.pt Gewichtsdatei enthält.

Wenn du den obigen Code ausführst, wirst du aufgefordert, dich zu authentifizieren (normalerweise über einen API-Schlüssel). Danach wird dein Modell hochgeladen und ein API-Endpunkt für dein Projekt erstellt. Dieser Vorgang kann bis zu 30 Minuten dauern.

Um dein Modell zu testen und Bereitstellungsanweisungen für unterstützte SDKs zu finden, gehe zum Tab "Deploy" in der Roboflow-Seitenleiste. Oben auf dieser Seite erscheint ein Widget, mit dem du dein Modell mit deiner Webcam oder durch Hochladen von Bildern oder Videos testen kannst.

Dein hochgeladenes Modell kann auch als Label-Assistent verwendet werden, um Annotationen auf neuen Bildern basierend auf seinem Training vorzuschlagen.

Link to this sectionWie man YOLO26 Modelle evaluiert#

Roboflow bietet Funktionen zur Evaluierung der Modellleistung. Das Verständnis von performance metrics ist entscheidend für die Modelliteration.

Nachdem du ein Modell hochgeladen hast, kannst du über deine Modellseite auf dem Roboflow-Dashboard auf das Modellevaluierungstool zugreifen. Klicke auf "View Detailed Evaluation".

Dieses Tool zeigt eine confusion matrix, die die Modellleistung illustriert, sowie ein interaktives Vektoranalyse-Diagramm unter Verwendung von CLIP Einbettungen. Diese Funktionen helfen dabei, Bereiche für Modellverbesserungen zu identifizieren.

Das Pop-up der Konfusionsmatrix:

Fahre mit der Maus über die Zellen, um Werte zu sehen, und klicke auf die Zellen, um die entsprechenden Bilder mit Modellvorhersagen und Ground-Truth-Daten anzuzeigen.

Klicke auf "Vector Analysis" für ein Streudiagramm, das die Bildähnlichkeit basierend auf CLIP-Einbettungen visualisiert. Bilder, die näher beieinander liegen, sind semantisch ähnlich. Punkte repräsentieren Bilder, die von weiß (gute Leistung) bis rot (schlechte Leistung) gefärbt sind.

Vektoranalyse hilft dabei:

• Bildcluster zu identifizieren.
• Cluster zu lokalisieren, in denen das Modell schlecht abschneidet.
• Gemeinsamkeiten zwischen Bildern zu verstehen, die eine schlechte Leistung verursachen.

Link to this sectionLernressourcen#

• YOLO auf einem benutzerdefinierten Datensatz trainieren (Colab): Interaktives Google Colab Notebook für das Training mit deinen Daten.
• Ultralytics YOLO Dokumentation: Training, Exportieren und Bereitstellen von YOLO Modellen.
• Ultralytics Blog: Artikel zu Computer Vision und Modelltraining.
• Ultralytics YouTube: Videoleitfäden zu Modelltraining und Bereitstellung.

Link to this sectionFAQ#

Link to this sectionWie label ich Daten für YOLO26 Modelle mit Roboflow?#

Verwende Roboflow Annotate. Erstelle ein Projekt, lade Bilder hoch und nutze die Annotationstools (B für bounding boxes, P für Polygone) oder den SAM-basierten Label-Assistenten für schnelleres Labeln. Detaillierte Schritte findest du im Abschnitt Daten hochladen, konvertieren und labeln.

Link to this sectionWelche Dienste bietet Roboflow zum Sammeln von YOLO26 Trainingsdaten an?#

Roboflow bietet Universe (Zugriff auf zahlreiche Datasets) und Collect (automatisierte Bildsammlung über Webcam). Diese können helfen, die notwendigen training data für dein YOLO26 Modell zu erhalten und ergänzen die Strategien, die in unserem Leitfaden zur Datensammlung beschrieben sind.

Link to this sectionWie kann ich meinen YOLO26 Datensatz mit Roboflow verwalten und analysieren?#

Nutze die Dataset-Such-, Tagging- und Health-Check-Funktionen von Roboflow. Die Suche findet Bilder nach Text oder Tags, während der Health Check die Qualität des Datensatzes (Klassenverteilung, Bildgrößen usw.) analysiert, um Verbesserungen vor dem Training zu steuern. Siehe den Abschnitt Dataset-Management für Details.

Link to this sectionWie exportiere ich meinen YOLO26 Datensatz aus Roboflow?#

Erstelle eine Dataset-Version in Roboflow, wende die gewünschte Vorverarbeitung und augmentations an, klicke dann auf "Export Dataset" und wähle das Format YOLO26 aus. Der Vorgang ist im Abschnitt Daten exportieren beschrieben. Dies bereitet deine Daten für die Verwendung mit Ultralytics Trainingspipelines vor.

Link to this sectionWie kann ich YOLO26 Modelle mit Roboflow integrieren und bereitstellen?#

Lade deine trainierten YOLO26 Gewichte mit dem bereitgestellten Python-Skript auf Roboflow hoch. Dies erstellt einen bereitstellbaren API-Endpunkt. Siehe den Abschnitt Benutzerdefinierte Gewichte hochladen für das Skript und die Anweisungen. Erkunde weitere Bereitstellungsoptionen in unserer Dokumentation.