Roboflow

Roboflow bietet Tools für die Datenkennzeichnung und den Datensatz-Export in verschiedenen Formaten, einschließlich YOLO. Dieser Leitfaden behandelt das Kennzeichnen, Exportieren und Bereitstellen von Daten für Ultralytics YOLO-Modelle.

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

• Daten für das Training sammeln
• Daten kennzeichnen
• Datensatz-Verwaltung
• Daten exportieren
• Modelle bereitstellen
• Modelle bewerten
• FAQ

Daten für das Training eines benutzerdefinierten YOLO26-Modells sammeln

Roboflow bietet zwei Hauptdienste, die dich bei der Datenerfassung für Ultralytics YOLO-Modelle unterstützen: Universe und Collect. Allgemeine Informationen zu Strategien der Datenerfassung findest du in unserem Leitfaden zur Datenerfassung und Annotation.

Roboflow Universe

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

Roboflow Collect

Wenn du Bilder lieber selbst sammeln möchtest, 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 erfassenden Daten festzulegen, was dir hilft, nur die für dein Vision-Modell notwendigen Bilder aufzunehmen.

Daten für das YOLO26-Format hochladen, konvertieren und kennzeichnen

Roboflow Annotate ist ein Online-Tool zur Kennzeichnung von Bildern für verschiedene Computer-Vision-Aufgaben, einschließlich Objekterkennung, Klassifizierung und Segmentierung.

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

Annotation-Tools

• 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 die Instanzsegmentierung verwendet. Drücke P oder klicke auf das Polygon-Symbol. Klicke auf Punkte um das Objekt herum, um das Polygon zu zeichnen.

Label-Assistent (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 nutzen, klicke in der Seitenleiste auf das Cursor-Symbol. SAM wird 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 Präzision der Annotation verfeinern, indem du innerhalb oder außerhalb des vorgeschlagenen Bereichs klickst.

Tagging

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 bestimmten Bildern zu suchen und Datensatz-Versionen zu erstellen, die Bilder mit bestimmten Tags enthalten.

Label 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.

Datensatz-Verwaltung für YOLO26

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

Datensatz-Suche

Nutze die Datensatz-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.

Health 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 bietet Statistiken zu Bildgrößen, Klassenverteilung, Annotations-Heatmaps und mehr.

Health Check schlägt möglicherweise Änderungen zur Leistungssteigerung vor, wie z. B. die Behebung von Klassenungleichgewichten, die in der Funktion zur Klassenverteilung identifiziert wurden. Das Verständnis der Datensatz-Gesundheit ist entscheidend für ein effektives Modelltraining.

Daten für Modellrobustheit vorverarbeiten und augmentieren

Um deine Daten zu exportieren, musst du eine Datensatz-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 Daten-Augmentationen anwenden, um die Modellrobustheit potenziell zu verbessern.

Für jede ausgewählte Augmentation kannst du in einem Pop-up Parameter wie die Helligkeit feinabstimmen. Die richtige Augmentation kann die Generalisierung des Modells erheblich verbessern, ein Schlüsselkonzept, das in unserem Leitfaden für Modelltraining-Tipps behandelt wird.

Daten in über 40 Formaten für das Modelltraining exportieren

Sobald deine Datensatz-Version generiert wurde, kannst du sie in verschiedenen Formaten exportieren, die für das Modelltraining geeignet sind. Klicke auf der Versionsseite auf die Schaltfläche „Export Dataset“.

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

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. Entdecke verschiedene Optionen zur Modellbereitstellung 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 Werte, die für dein Roboflow-Konto, dein Projekt und dein lokales Trainingsergebnisverzeichnis spezifisch sind. Stelle sicher, dass der MODEL_PATH korrekt auf das Verzeichnis verweist, das deine trainierte best.pt-Gewichtedatei 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 in Anspruch nehmen.

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.

Wie bewertet man YOLO26-Modelle?

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

Nach dem Hochladen eines Modells kannst du über deine Modellseite im Roboflow-Dashboard auf das Modellbewertungstool zugreifen. Klicke auf „View Detailed Evaluation“.

Dieses Tool zeigt eine Konfusionsmatrix, die die Modellleistung veranschaulicht, sowie ein interaktives Vektoranalyse-Diagramm mit CLIP-Einbettungen. Diese Funktionen helfen dabei, Bereiche für Modellverbesserungen zu identifizieren.

Das Pop-up der Konfusionsmatrix:

Fahre mit der Maus über Zellen, um Werte zu sehen, und klicke auf Zellen, um entsprechende 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, eingefärbt von Weiß (gute Leistung) bis Rot (schlechte Leistung).

Die Vektoranalyse hilft dabei:

• Bild-Cluster zu identifizieren.
• Cluster zu lokalisieren, in denen das Modell schlecht abschneidet.
• Gemeinsamkeiten zwischen Bildern zu verstehen, die zu schlechter Leistung führen.

Lernressourcen

• 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: Video-Leitfäden zu Modelltraining und Bereitstellung.

FAQ

Wie kennzeichne ich Daten für YOLO26-Modelle mit Roboflow?

Verwende Roboflow Annotate. Erstelle ein Projekt, lade Bilder hoch und nutze die Annotation-Tools (B für Bounding Boxes, P für Polygone) oder den SAM-basierten Label-Assistenten für eine schnellere Kennzeichnung. Detaillierte Schritte findest du im Abschnitt Daten hochladen, konvertieren und kennzeichnen.

Welche Dienste bietet Roboflow zum Sammeln von YOLO26-Trainingsdaten an?

Roboflow bietet Universe (Zugriff auf zahlreiche Datensätze) und Collect (automatisiertes Bildersammeln per Webcam). Diese können dir helfen, die notwendigen Trainingsdaten für dein YOLO26-Modell zu erhalten und ergänzen die Strategien, die in unserem Datenerfassungs-Leitfaden beschrieben sind.

Wie kann ich meinen YOLO26-Datensatz mit Roboflow verwalten und analysieren?

Nutze die Funktionen von Roboflow zur Datensatz-Suche, zum Tagging und den Health Check. Die Suche findet Bilder anhand von Text oder Tags, während der Health Check die Qualität des Datensatzes (Klassenverteilung, Bildgrößen usw.) analysiert, um Verbesserungen vor dem Training anzuleiten. Details findest du im Abschnitt Datensatz-Verwaltung.

Wie exportiere ich meinen YOLO26-Datensatz aus Roboflow?

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

Wie 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 Anweisungen. Entdecke weitere Bereitstellungsoptionen in unserer Dokumentation.