Roboflow#

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

Dieser Leitfaden zeigt, wie du Daten findest, beschriftest und organisierst, um ein benutzerdefiniertes Ultralytics YOLO26-Modell mit Roboflow zu trainieren.

• Daten für das Training sammeln
• Daten beschriften
• Dataset-Verwaltung
• Daten exportieren
• Modelle bereitstellen
• Modelle evaluieren
• FAQ

Daten für das Training eines benutzerdefinierten YOLO26 Modells sammeln#

Roboflow bietet zwei primäre Dienste an, um bei der Datenerfassung für Ultralytics-YOLO-Modelle zu helfen: Universe und Collect. Allgemeine Informationen zu Datenerfassungsstrategien findest du in unserem Leitfaden zur Datenerfassung und Annotation.

Roboflow Universe#

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

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 anzugeben, welche Daten gesammelt werden sollen, damit du nur die für dein Vision-Modell erforderlichen Bilder erfasst.

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

Roboflow Annotate ist ein Onlinetool zum Beschriften von Bildern für verschiedene Computer-Vision-Aufgaben, einschließlich Objekterkennung, Klassifizierung und Segmentierung.

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

Annotationstools#

• Bounding-Box-Annotation: Drücke B oder klicke auf das Box-Symbol. Klicke und ziehe, um den 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 Beschriftungsassistenten, um die Annotation möglicherweise zu beschleunigen.

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

Bewege den Mauszeiger 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.

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 Dataset-Versionen zu generieren, 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.

Dataset-Verwaltung für YOLO26#

Roboflow bietet verschiedene Tools zum Verstehen und Verwalten deiner Computer-Vision-Datasets.

Dataset-Suche#

Verwende 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.

Gesundheitsprüfung#

Nutze vor dem Training den Roboflow Health Check, um Einblicke in dein Dataset zu gewinnen und potenzielle Verbesserungen zu identifizieren. Greife über den Link „Health Check“ in der Seitenleiste darauf zu. Er bietet Statistiken zu Bildgrößen, Klassenbalance, Annotations-Heatmaps und mehr.

Health Check schlägt möglicherweise Änderungen zur Leistungsverbesserung vor, wie etwa das Beheben von Klassenungleichgewichten, die in der Funktion für das Klassenverhältnis identifiziert wurden. Das Verständnis der Dataset-Integrität ist für ein effektives Modelltraining von entscheidender Bedeutung.

Daten vorverarbeiten und augmentieren für Modellrobustheit#

Um deine Daten zu exportieren, musst du eine Dataset-Version erstellen, die einen Schnappschuss deines Datasets zu einem bestimmten Zeitpunkt darstellt. Klicke in der Seitenleiste auf „Versions“ und dann auf „Create New Version“. Hier kannst du Vorverarbeitungsschritte und Datenaugmentation anwenden, um die Robustheit des Modells möglicherweise zu verbessern.

Für jede ausgewählte Augmentation ermöglicht dir ein Pop-up, ihre Parameter wie die Helligkeit fein abzustimmen. Eine ordnungsgemäße Augmentation kann die Modellgeneralisierung erheblich verbessern – ein Kernkonzept, das in unserem Leitfaden zu Modelltrainingstipps besprochen wird.

Daten 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 die Schaltfläche „Export Dataset“.

Wähle das Format „YOLO26“ für die Kompatibilität mit Ultralytics-Training-Pipelines. Du bist nun bereit, dein benutzerdefiniertes YOLO26-Modell zu trainieren. Detaillierte Anweisungen zum Starten des Trainings mit deinem exportierten Dataset findest du in der Dokumentation zum Ultralytics Train-Modus.

Benutzerdefinierte YOLO26 Modellgewichte zum Testen und Bereitstellen hochladen#

Roboflow bietet eine skalierbare API für bereitgestellte Modelle und 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 mithilfe eines einfachen Python-Skripts in 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 Zahl VERSION und MODEL_PATH durch die Werte, die spezifisch für dein Roboflow-Konto, dein Projekt und dein lokales Trainingsergebnisverzeichnis sind. Stelle sicher, dass MODEL_PATH korrekt auf das Verzeichnis verweist, das deine trainierte best.pt-Gewichtsdatei enthält.

Wenn du den oben stehenden Code ausführst, wirst du aufgefordert, dich zu authentifizieren (normalerweise über einen API-Schlüssel). Anschließend 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 auf die Registerkarte „Deploy“ in der Roboflow-Seitenleiste. Oben auf dieser Seite erscheint ein Widget, mit dem du dein Modell über deine Webcam oder durch Hochladen von Bildern oder Videos testen kannst.

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

Wie YOLO26 Modelle evaluiert werden#

Roboflow bietet Funktionen zur Evaluierung der Modellleistung. Das Verständnis von Leistungsmetriken ist für die Modelliteration von entscheidender Bedeutung.

Nachdem du ein Modell hochgeladen hast, greife über deine Modellseite im Roboflow-Dashboard auf das Modellevaluierungstool zu. Klicke auf „View Detailed Evaluation“.

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

Das Pop-up der Konfusionsmatrix:

Bewege den Mauszeiger 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 Embeddings visualisiert. Bilder, die näher beieinander liegen, sind semantisch ähnlich. Punkte repräsentieren Bilder, die von Weiß (gute Leistung) bis Rot (schlechte Leistung) eingefärbt sind.

Vektoranalyse hilft bei:

• Identifizierung von Bildclustern.
• Lokalisierung von Clustern, bei denen das Modell schlecht abschneidet.
• Verständnis von Gemeinsamkeiten bei Bildern, die eine schlechte Leistung verursachen.

Lernressourcen#

• YOLO auf einem benutzerdefinierten Dataset trainieren (Colab): Interaktives Google Colab-Notebook zum Training mit deinen Daten.
• Ultralytics YOLO-Dokumentation: Trainieren, Exportieren und Bereitstellen von YOLO-Modellen.
• Ultralytics-Blog: Artikel zu Computer Vision und Modelltraining.
• Ultralytics YouTube: Video-Anleitungen zu Modelltraining und -bereitstellung.

FAQ#