Roboflow#

Roboflow bietet Werkzeuge zur Datenkennzeichnung und zum Export von Datensätzen in verschiedenen Formaten, darunter YOLO. Diese Anleitung behandelt die Kennzeichnung, den Export und die Bereitstellung von Daten für Ultralytics-YOLO-Modelle.

Diese Anleitung zeigt, wie du mit Roboflow Daten für ein benutzerdefiniertes Ultralytics-YOLO26-Modell findest, kennzeichnest und organisierst.

• Daten für das Training sammeln
• Daten kennzeichnen
• Datensatzverwaltung
• Daten exportieren
• Modelle bereitstellen
• Modelle evaluieren
• Häufig gestellte Fragen

Daten für das Training eines benutzerdefinierten YOLO26-Modells sammeln#

Roboflow bietet zwei zentrale Dienste, die das Sammeln von Daten für YOLO-Modelle von Ultralytics unterstützen: Universe und Collect. Allgemeine Informationen zu Strategien zur Datensammlung findest du in unserer Anleitung zur Datensammlung und Annotation.

Roboflow Universe#

Roboflow Universe ist ein Online-Archiv für Bildverarbeitungs-Datensätze. Du kannst Datensätze im YOLO-Format exportieren und mit Ultralytics-Modellen verwenden.

Roboflow Collect#

Wenn du Bilder lieber selbst sammeln möchtest, kannst du mit Roboflow Collect, einem Open-Source-Projekt, auf Edge-Geräten automatisch Bilder über eine Webcam erfassen. Mit Text- oder Bildvorgaben kannst du die zu erfassenden Daten festlegen und so gezielt nur die Bilder aufnehmen, die dein Bildverarbeitungsmodell benötigt.

Daten für das YOLO26-Format hochladen, konvertieren und kennzeichnen#

Roboflow Annotate ist ein Onlinewerkzeug zum Kennzeichnen von Bildern für verschiedene Aufgaben der Bildverarbeitung, darunter Objekterkennung, Klassifizierung und Segmentierung.

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

Annotationswerkzeuge#

• Begrenzungsrahmen annotieren: Drücke B oder klicke auf das Rahmensymbol. Klicke und ziehe, um den Begrenzungsrahmen zu erstellen. In einem Pop-up wirst du aufgefordert, eine Klasse für die Annotation auszuwählen.
• Polygon annotieren: Wird für die Instanzsegmentierung verwendet. Drücke P oder klicke auf das Polygonsymbol. Klicke auf Punkte rund um das Objekt, um das Polygon zu zeichnen.

Kennzeichnungsassistent (SAM-Integration)#

Roboflow integriert einen Kennzeichnungsassistenten auf Basis eines Segmentierungsmodells für alles (SAM), der die Annotation möglicherweise beschleunigt.

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

Bewege den Mauszeiger über ein Objekt. SAM schlägt möglicherweise eine Annotation vor. Klicke, um die Annotation zu übernehmen. Du kannst die Genauigkeit der Annotation anpassen, indem du innerhalb oder außerhalb des vorgeschlagenen Bereichs klickst.

Tags#

Über das Tags-Bedienfeld in der Seitenleiste kannst du Bildern Tags hinzufügen. Tags können Merkmale wie Standort oder Kameraquelle angeben. Damit kannst du gezielt nach Bildern suchen und Datensatzversionen mit Bildern erstellen, die bestimmte Tags tragen.

Kennzeichnungsassistent (modellbasiert)#

Auf Roboflow gehostete Modelle können mit Label Assist verwendet werden, um Annotationen vorzuschlagen. Lade deine YOLO-Modellgewichte zu Roboflow hoch (siehe Anleitung unten) und aktiviere anschließend Label Assist über das Zauberstab-Symbol in der Seitenleiste.

Datensatzverwaltung für YOLO26#

Roboflow bietet verschiedene Werkzeuge, um deine Bildverarbeitungs-Datensätze besser zu verstehen und zu verwalten.

Datensatzsuche#

Mit der Datensatzsuche findest du Bilder anhand von Textbeschreibungen oder bestimmten Labels und Tags. Klicke in der Seitenleiste auf „Dataset“, um diese Funktion aufzurufen.

Zustandsprüfung#

Nutze vor dem Training Roboflow Health Check, um Einblicke in deinen Datensatz zu erhalten und mögliche Verbesserungen zu erkennen. Rufe die Funktion über den Link „Health Check“ in der Seitenleiste auf. Sie liefert Statistiken zu Bildgrößen, Klassenverteilung, Annotations-Heatmaps und mehr.

Health Check kann Änderungen zur Leistungssteigerung vorschlagen, etwa den Ausgleich von Klassenungleichgewichten, die in der Klassenverteilung erkannt wurden. Den Zustand des Datensatzes zu verstehen, ist entscheidend für ein effektives Modelltraining.

Daten vorverarbeiten und erweitern, um die Robustheit des Modells zu erhöhen#

Um deine Daten zu exportieren, musst du eine Datensatzversion erstellen. Sie ist eine Momentaufnahme deines Datensatzes zu einem bestimmten Zeitpunkt. Klicke in der Seitenleiste auf „Versions“ und anschließend auf „Create New Version“. Hier kannst du Vorverarbeitungsschritte und Datenerweiterungen anwenden, um die Robustheit des Modells möglicherweise zu erhöhen.

Für jede ausgewählte Datenerweiterung kannst du in einem Pop-up die Parameter, etwa die Helligkeit, fein abstimmen. Geeignete Datenerweiterungen können die Generalisierungsfähigkeit des Modells deutlich verbessern. Dieses wichtige Konzept wird in unserer Anleitung mit Tipps zum Modelltraining behandelt.

Daten in über 40 Formaten für das Modelltraining exportieren#

Sobald deine Datensatzversion erstellt wurde, kannst du sie in verschiedenen Formaten exportieren, die sich für das Modelltraining eignen. Klicke auf der Versionsseite auf die Schaltfläche „Export Dataset“.

Wähle das Format „YOLO26“, damit es mit den Trainingspipelines von Ultralytics kompatibel ist. Jetzt kannst du dein benutzerdefiniertes YOLO26-Modell trainieren. Eine ausführliche Anleitung zum Starten des Trainings mit deinem exportierten Datensatz findest du in der Dokumentation zum Trainingsmodus von Ultralytics.

Benutzerdefinierte YOLO26-Modellgewichte zum Testen und Bereitstellen 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. In unseren Anleitungen findest du verschiedene Optionen zur Modellbereitstellung.

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

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

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 Zahl VERSION und MODEL_PATH durch die Werte für dein Roboflow-Konto, dein Projekt und das lokale Verzeichnis mit den Trainingsergebnissen. Achte darauf, dass MODEL_PATH korrekt auf das Verzeichnis mit deiner trainierten Gewichtsdatei best.pt verweist.

Wenn du den obigen Code ausführst, wirst du aufgefordert, dich zu authentifizieren, üblicherweise mit einem API-Schlüssel. Anschließend 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 Anleitungen zur Bereitstellung mit unterstützten SDKs zu finden, öffne im Roboflow-Seitenmenü die Registerkarte „Deploy“. Oben auf der Seite wird ein Widget angezeigt, mit dem du dein Modell über die Webcam oder durch Hochladen von Bildern oder Videos testen kannst.

Du kannst dein hochgeladenes Modell auch als Kennzeichnungsassistent verwenden, der anhand seines Trainings Annotationen für neue Bilder vorschlägt.

YOLO26-Modelle evaluieren#

Roboflow bietet Funktionen zur Bewertung der Modellleistung. Das Verständnis von Leistungskennzahlen ist für die Weiterentwicklung des Modells entscheidend.

Nach dem Hochladen eines Modells kannst du das Werkzeug zur Modellevaluierung über die Modellseite im Roboflow-Dashboard aufrufen. Klicke auf „View Detailed Evaluation“.

Dieses Werkzeug zeigt eine Konfusionsmatrix, die die Modellleistung veranschaulicht, sowie ein interaktives Diagramm zur Vektoranalyse auf Basis von CLIP-Einbettungen. Diese Funktionen helfen dabei, Bereiche mit Verbesserungspotenzial für das Modell zu erkennen.

Das Pop-up der Konfusionsmatrix:

Bewege den Mauszeiger über die Zellen, um Werte anzuzeigen, und klicke auf die Zellen, um die zugehörigen Bilder mit den Modellvorhersagen und den tatsächlichen Daten zu sehen.

Klicke auf „Vector Analysis“, um ein Streudiagramm zur Bildähnlichkeit auf Basis von CLIP-Einbettungen anzuzeigen. Bilder, die näher beieinander liegen, sind semantisch ähnlich. Die Punkte stehen für Bilder und sind je nach Leistung von Weiß (gut) bis Rot (schlecht) eingefärbt.

Die Vektoranalyse hilft dabei:

• Bildcluster zu erkennen.
• Cluster zu finden, in denen das Modell schlecht abschneidet.
• Gemeinsamkeiten zwischen Bildern zu erkennen, die zu einer schlechten Leistung führen.

Lernressourcen#

• YOLO mit einem benutzerdefinierten Datensatz trainieren (Colab): Interaktives Google Colab-Notebook zum Trainieren mit deinen Daten.
• Ultralytics-YOLO-Dokumentation: YOLO-Modelle trainieren, exportieren und bereitstellen.
• Ultralytics-Blog: Artikel zu Bildverarbeitung und Modelltraining.
• Ultralytics auf YouTube: Videoanleitungen zum Modelltraining und zur Bereitstellung.

Häufig gestellte Fragen#