Roboflow#

Roboflow stellt Werkzeuge für die Datenbeschriftung und den Export von Datensätzen in verschiedenen Formaten, einschließlich YOLO, bereit. Dieser Leitfaden behandelt die Beschriftung, den Export und die Bereitstellung von Daten für Ultralytics YOLO-Modelle.

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

• Daten für das Training sammeln
• Daten beschriften
• Datensatzverwaltung
• Daten exportieren
• Modelle bereitstellen
• Modelle evaluieren
• FAQ

Daten für das Training eines benutzerdefinierten YOLO26-Modells sammeln#

Roboflow bietet zwei zentrale Dienste zur Unterstützung der Datensammlung für YOLO-Modelle von Ultralytics: Universe und Collect. Allgemeine Informationen zu Strategien für die Datensammlung findest du in unserem Leitfaden zur Datensammlung und Annotation.

Roboflow Universe#

Roboflow Universe ist ein Online-Repository für Bildverarbeitungsdatensätze. Du kannst Datensätze im YOLO-Format exportieren, um sie mit Ultralytics-Modellen zu verwenden.

Roboflow 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 Bildprompts verwenden, um die zu sammelnden Daten festzulegen. So erfasst du nur die für dein Bildverarbeitungsmodell erforderlichen Bilder.

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

Roboflow Annotate ist ein Online-Werkzeug zum Beschriften von Bildern für verschiedene Aufgaben der Computer Vision, darunter Objekterkennung, Klassifizierung und Segmentierung.

Um Daten für ein YOLO-Modell von Ultralytics zu beschriften, erstellst du ein Projekt in Roboflow, lädst deine Bilder hoch und beginnst mit der Annotation.

Annotationstools#

• Annotation von Bounding Boxes: Drücke B oder klicke auf das Boxsymbol. Klicke und ziehe, um die Bounding Box zu erstellen. In einem Pop-up wirst du aufgefordert, eine Klasse für die Annotation auszuwählen.
• Polygonannotation: Wird für die Instanzsegmentierung verwendet. Drücke P oder klicke auf das Polygonsymbol. Klicke um das Objekt herum auf Punkte, um das Polygon zu zeichnen.

Label Assistant (SAM-Integration)#

Roboflow integriert einen auf einem Segmentierungsmodell für beliebige Objekte (SAM) basierenden Label Assistant, der die Annotation möglicherweise beschleunigt.

Um den Label Assistant zu verwenden, klicke in der Seitenleiste auf das Cursorsymbol. SAM wird für dein Projekt aktiviert.

Bewege den Mauszeiger über ein Objekt, und 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.

Tagging#

Du kannst Bildern über das Tags-Panel in der Seitenleiste Tags hinzufügen. Tags können Attribute wie Standort, Kameraquelle usw. darstellen. Mit diesen Tags kannst du nach bestimmten Bildern suchen und Datensatzversionen erstellen, die Bilder mit bestimmten Tags enthalten.

Label Assist (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 stellt mehrere Werkzeuge bereit, um deine Datensätze für Computer Vision zu verstehen und zu verwalten.

Datensatzsuche#

Verwende die Datensatzsuche, um Bilder anhand von Textbeschreibungen oder bestimmten Labels/Tags zu finden. Du greifst auf diese Funktion zu, indem du in der Seitenleiste auf „Dataset“ klickst.

Integritätsprüfung#

Verwende vor dem Training Roboflow Health Check, um Einblicke in deinen Datensatz zu gewinnen und mögliche Verbesserungen zu erkennen. Du erreichst die Funktion über den Seitenleistenlink „Health Check“. Sie liefert Statistiken zu Bildgrößen, Klassenverteilung, Annotations-Heatmaps und mehr.

Health Check kann Änderungen zur Leistungssteigerung vorschlagen, etwa die Behebung von Klassenungleichgewichten, die in der Funktion zur Klassenverteilung erkannt wurden. Das Verständnis des Zustands deines Datensatzes ist entscheidend für ein effektives Modelltraining.

Daten für eine robuste Modellleistung vorverarbeiten und augmentieren#

Um deine Daten zu exportieren, musst du eine Datensatzversion erstellen. Dabei handelt es sich um 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 verbessern.

Für jede ausgewählte Datenerweiterung kannst du ihre Parameter, etwa die Helligkeit, in einem Pop-up feinabstimmen. Eine geeignete Datenerweiterung kann die Generalisierung des Modells deutlich verbessern – ein zentrales Konzept in unserem Leitfaden mit Tipps zum Modelltraining.

Daten in mehr als 40 Formaten für das Modelltraining exportieren#

Sobald deine Datensatzversion erstellt wurde, kannst du sie in verschiedene für das Modelltraining geeignete Formate exportieren. Klicke auf der Seite der Version auf die Schaltfläche „Export Dataset“.

Wähle das Format „YOLO26“, um die Kompatibilität mit den Trainingspipelines von Ultralytics sicherzustellen. 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 Train-Modus von Ultralytics.

Benutzerdefinierte YOLO26-Modellgewichte für Tests und 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. In unseren Leitfäden 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 für dein Roboflow-Konto, dein Projekt und dein lokales Verzeichnis mit den Trainingsergebnissen spezifischen Werte. Stelle sicher, dass MODEL_PATH korrekt auf das Verzeichnis mit deiner trainierten best.pt-Gewichtsdatei verweist.

Wenn du den obigen Code ausführst, wirst du zur Authentifizierung aufgefordert (in der Regel über einen 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 Bereitstellungsanleitungen für unterstützte SDKs zu finden, öffne den Tab „Deploy“ in der Roboflow-Seitenleiste. Oben auf dieser Seite wird ein Widget angezeigt, mit dem du dein Modell über deine Webcam testen oder Bilder bzw. Videos hochladen kannst.

Dein hochgeladenes Modell kann auch als Beschriftungsassistent verwendet werden und auf Grundlage seines Trainings Annotationen für neue Bilder vorschlagen.

YOLO26-Modelle evaluieren#

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

Nach dem Hochladen eines Modells kannst du das Modellbewertungswerkzeug über die Modellseite in deinem Roboflow-Dashboard öffnen. Klicke auf „View Detailed Evaluation“.

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

Das Pop-up der Konfusionsmatrix:

Bewege den Mauszeiger über Zellen, um Werte anzuzeigen, und klicke auf Zellen, um die zugehörigen Bilder mit Modellvorhersagen und Ground-Truth-Daten aufzurufen.

Klicke auf „Vector Analysis“, um ein Streudiagramm mit der Bildähnlichkeit auf Grundlage von CLIP-Embeddings anzuzeigen. Bilder, die näher beieinander liegen, sind semantisch ähnlich. Die Punkte stellen Bilder dar und sind entsprechend der Leistung von Weiß (gute Leistung) bis Rot (schlechte Leistung) eingefärbt.

Die Vektoranalyse hilft dir dabei:

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

Lernressourcen#

• YOLO auf einem benutzerdefinierten Datensatz trainieren (Colab): Interaktives Google Colab-Notebook zum Training mit deinen Daten.
• Ultralytics-YOLO-Dokumentation: Training, Export und Bereitstellung von YOLO-Modellen.
• Ultralytics-Blog: Artikel zu Computer Vision und Modelltraining.
• Ultralytics auf YouTube: Videoanleitungen zu Modelltraining und -bereitstellung.

FAQ#