Roboflow Integration
Roboflow bietet eine Reihe von Tools, die für die Entwicklung und Bereitstellung von Computer Vision-Modellen entwickelt wurden. Sie können Roboflow in verschiedenen Phasen Ihrer Entwicklungspipeline mithilfe der APIs und SDKs integrieren oder die End-to-End-Schnittstelle verwenden, um den Prozess von der Bilderfassung bis zur Inferenz zu verwalten. Roboflow bietet Funktionen für die Datenbeschriftung, das Modelltraining und die Modellbereitstellung und stellt Komponenten für die Entwicklung kundenspezifischer Computer-Vision-Lösungen neben Ultralytics-Tools bereit.
Lizenzierung
Ultralytics bietet zwei Lizenzierungsoptionen an, um verschiedenen Anwendungsfällen gerecht zu werden:
- AGPL-3.0-Lizenz: Diese OSI-geprüfte Open-Source-Lizenz ist ideal für Studenten und Enthusiasten und fördert die offene Zusammenarbeit und den Wissensaustausch. Weitere Informationen finden Sie in der LICENSE-Datei.
- Enterprise-Lizenz: Diese Lizenz ist für die kommerzielle Nutzung konzipiert und ermöglicht die nahtlose Integration von Ultralytics-Software und KI-Modellen in kommerzielle Produkte und Dienstleistungen. Wenn Ihr Szenario kommerzielle Anwendungen umfasst, kontaktieren Sie uns bitte über Ultralytics-Lizenzierung.
Weitere Details finden Sie auf der Ultralytics Lizenzierungsseite.
Dieser Leitfaden zeigt, wie Sie Daten für das Training eines benutzerdefinierten Ultralytics YOLO11-Modells mit Roboflow finden, beschriften und organisieren.
- Sammeln von Daten für das Training eines benutzerdefinierten YOLO11-Modells
- Daten im YOLO11-Format hochladen, konvertieren und labeln
- Datenvorverarbeitung und -erweiterung für Modellrobustheit
- Datensatzverwaltung für YOLO11
- Daten in über 40 Formaten für das Modelltraining exportieren
- Benutzerdefinierte YOLO11-Modellgewichte zum Testen und Bereitstellen hochladen
- Wie man YOLO11-Modelle evaluiert
- Lernressourcen
- Projektdarstellung
- FAQ
Sammeln von Daten für das Training eines benutzerdefinierten YOLO11-Modells
Roboflow bietet zwei Hauptdienste zur Unterstützung der Datenerfassung für Ultralytics YOLO Modelle: Universe und Collect. Weitere allgemeine Informationen zu Strategien der Datenerfassung finden Sie in unserem Leitfaden zur Datenerfassung und -annotation.
Roboflow Universe
Roboflow Universe ist ein Online-Repository mit einer großen Anzahl von Datensätzen im Bereich der Bildverarbeitung.
Mit einem Roboflow-Konto können Sie Datensätze exportieren, die auf Universe verfügbar sind. Um einen Datensatz zu exportieren, verwenden Sie die Schaltfläche "Diesen Datensatz herunterladen" auf der entsprechenden Datensatzseite.
Für die Kompatibilität mit Ultralytics YOLO11 wählen Sie "YOLO11" als Exportformat:
Universe bietet auch eine Seite, auf der öffentliche, feinabgestimmte YOLO-Modelle zusammengefasst sind, die auf Roboflow hochgeladen wurden. Dies kann nützlich sein, um vortrainierte Modelle für Tests oder die automatisierte Datenkennzeichnung zu erkunden.
Roboflow Collect
Wenn Sie es vorziehen, Bilder selbst zu sammeln, ist Roboflow Collect ein Open-Source-Projekt, das die automatische Bilderfassung über eine Webcam auf Edge-Geräten ermöglicht. Sie können Text- oder Bildaufforderungen verwenden, um die zu erfassenden Daten anzugeben, sodass nur die für Ihr Vision-Modell erforderlichen Bilder erfasst werden.
Daten im YOLO11-Format hochladen, konvertieren und labeln
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 (das Erkennung, Instanzsegmentierung, Klassifizierung, Pose-Schätzung und OBB unterstützt), erstellen Sie zunächst ein Projekt in Roboflow.
Als Nächstes laden Sie Ihre Bilder und alle vorhandenen Anmerkungen von anderen Tools in Roboflow hoch.
Nach dem Hochladen werden Sie zur Seite „Annotate“ (Beschriften) weitergeleitet. Wählen Sie den Batch der hochgeladenen Bilder aus und klicken Sie auf „Start Annotating“ (Beschriftung starten), um mit der Beschriftung zu beginnen.
Annotationstools
- Bounding-Box-Annotation: Drücken Sie
B
oder klicke auf das Kastensymbol. Klicken und ziehen, um das zu erstellen Begrenzungsrahmen. Ein Popup-Fenster fordert Sie auf, eine Klasse für die Annotation auszuwählen.
- Polygon-Annotation: Wird verwendet für Instanzsegmentierung. Drücken Sie
P
oder klicke auf das Polygon-Symbol. Klicke auf Punkte um das Objekt herum, um das Polygon zu zeichnen.
Label Assistant (SAM Integration)
Roboflow integriert einen Segment Anything Model (SAM)-basierten Label-Assistenten, um die Annotation potenziell zu beschleunigen.
Um den Label-Assistenten zu verwenden, klicken Sie auf das Cursorsymbol in der Seitenleiste. SAM wird für Ihr Projekt aktiviert.
Bewegen Sie den Mauszeiger über ein Objekt, und SAM schlägt möglicherweise eine Anmerkung vor. Klicken Sie, um die Anmerkung zu akzeptieren. Sie können die Spezifität der Anmerkung verfeinern, indem Sie in den vorgeschlagenen Bereich oder außerhalb davon klicken.
Tagging
Sie können Bildern über das Tags-Panel in der Seitenleiste Tags hinzufügen. Tags können Attribute wie Ort, Kamerabildquelle usw. darstellen. Mithilfe dieser Tags können Sie nach bestimmten Bildern suchen und Datensatzversionen generieren, die Bilder mit bestimmten Tags enthalten.
Label Assist (modellbasiert)
Auf Roboflow gehostete Modelle können mit Label Assist verwendet werden, einem automatisierten Annotationstool, das Ihr trainiertes YOLO11-Modell nutzt, um Annotationen vorzuschlagen. Laden Sie zunächst Ihre YOLO11-Modellgewichte auf Roboflow hoch (siehe Anweisungen unten). Aktivieren Sie dann Label Assist, indem Sie auf das Zauberstabsymbol in der linken Seitenleiste klicken und Ihr Modell auswählen.
Wählen Sie Ihr Modell aus und klicken Sie auf "Weiter", um die Label-Assist-Funktion zu aktivieren:
Wenn Sie neue Bilder zur Annotation öffnen, kann Label Assist automatisch Annotationen basierend auf den Vorhersagen Ihres Modells vorschlagen.
Datensatzverwaltung für YOLO11
Roboflow bietet verschiedene Tools zum Verständnis und zur Verwaltung Ihrer Computer-Vision-Datensätze.
Datensatzsuche
Verwenden Sie die Datensatzsuche, um Bilder basierend auf semantischen Textbeschreibungen (z. B. "finde alle Bilder, die Personen enthalten") oder bestimmten Labels/Tags zu finden. Greifen Sie auf diese Funktion zu, indem Sie in der Seitenleiste auf "Datensatz" klicken und die Suchleiste und Filter verwenden.
Zum Beispiel die Suche nach Bildern, die Personen enthalten:
Sie können Suchvorgänge mithilfe von Tags über die Auswahl „Tags“ verfeinern:
Zustandsprüfung
Verwenden Sie vor dem Training den Roboflow Health Check, um Einblicke in Ihren Datensatz zu gewinnen und Verbesserungspotenziale zu identifizieren. Sie können über den Link "Health Check" in der Seitenleiste darauf zugreifen. Er liefert Statistiken über Bildgrößen, Klassenverteilung, Annotation-Heatmaps und mehr.
Die Zustandsprüfung kann Änderungen zur Leistungssteigerung vorschlagen, z. B. die Behebung von Klassenungleichgewichten, die in der Funktion zum Klassenausgleich identifiziert wurden. Das Verständnis des Zustands des Datensatzes ist entscheidend für ein effektives Modelltraining.
Datenvorverarbeitung und -erweiterung für Modellrobustheit
Um Ihre Daten zu exportieren, müssen Sie eine Datensatzversion erstellen, die eine Momentaufnahme Ihres Datensatzes zu einem bestimmten Zeitpunkt darstellt. Klicken Sie in der Seitenleiste auf „Versionen“ und dann auf „Neue Version erstellen“. Hier können Sie Vorverarbeitungsschritte und Datenaugmentierungen anwenden, um die Modellrobustheit potenziell zu verbessern.
Für jede ausgewählte Augmentierung ermöglicht ein Pop-up die Feinabstimmung der Parameter, wie z. B. der Helligkeit. Eine geeignete Augmentierung kann die Modellgeneralisierung erheblich verbessern, ein Schlüsselkonzept, das in unserem Leitfaden zu Modelltrainingstipps erläutert wird.
Daten in über 40 Formaten für das Modelltraining exportieren
Sobald Ihre Datensatzversion generiert wurde, können Sie sie in verschiedenen Formaten exportieren, die für das Modelltraining geeignet sind. Klicken Sie auf der Versionsseite auf die Schaltfläche „Datensatz exportieren“.
Wählen Sie das Format „YOLO11“ für die Kompatibilität mit Ultralytics-Trainingspipelines. Sie sind jetzt bereit, Ihr benutzerdefiniertes YOLO11-Modell zu trainieren. Weitere Informationen zum Starten des Trainings mit Ihrem exportierten Datensatz finden Sie in der Ultralytics-Dokumentation zum Trainingsmodus.
Benutzerdefinierte YOLO11-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. Entdecken Sie verschiedene Optionen zur Modellbereitstellung in unseren Anleitungen.
Sie können YOLO11-Modelle bereitstellen, indem Sie ihre Gewichte mit einem einfachen Python-Skript auf Roboflow hochladen.
Erstellen Sie eine neue python-Datei und fügen Sie 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 YOLO11 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'
project.version(dataset.version).deploy(
model_type="yolov8", model_path=MODEL_PATH
) # Note: Use "yolov8" as model_type for YOLO11 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.")
Ersetzen Sie in diesem Code your-workspace-id
, your-project-id
wird die VERSION
Nummer und die MODEL_PATH
mit den Werten, die für Ihr Roboflow-Konto, Ihr Projekt und Ihr lokales Trainingsergebnisverzeichnis spezifisch sind. Stellen Sie sicher, dass die MODEL_PATH
korrekt auf das Verzeichnis verweist, das Ihre trainierten Daten enthält best.pt
Gewichtsdatei.
Wenn Sie den obigen Code ausführen, werden Sie aufgefordert, sich zu authentifizieren (normalerweise über einen API-Schlüssel). Dann wird Ihr Modell hochgeladen und ein API-Endpunkt für Ihr Projekt erstellt. Dieser Vorgang kann bis zu 30 Minuten dauern.
Um Ihr Modell zu testen und Bereitstellungsanweisungen für unterstützte SDKs zu finden, gehen Sie zur Registerkarte „Deploy“ in der Roboflow-Seitenleiste. Oben auf dieser Seite wird ein Widget angezeigt, mit dem Sie Ihr Modell mithilfe Ihrer Webcam oder durch Hochladen von Bildern oder Videos testen können.
Ihr hochgeladenes Modell kann auch als Beschriftungsassistent verwendet werden, der basierend auf seinem Training Annotationen für neue Bilder vorschlägt.
Wie man YOLO11-Modelle evaluiert
Roboflow bietet Funktionen zur Bewertung der Modellleistung. Das Verständnis von Leistungsmetriken ist entscheidend für die Modelliteration.
Nach dem Hochladen eines Modells können Sie über Ihre Modellseite auf dem Roboflow-Dashboard auf das Modellbewertungstool zugreifen. Klicken Sie auf „View Detailed Evaluation“ (Detaillierte Auswertung anzeigen).
Dieses Tool zeigt eine Konfusionsmatrix zur Veranschaulichung der Modellleistung und ein interaktives Vektoranalysediagramm mit CLIP-Einbettungen an. Diese Funktionen helfen, Bereiche für Modellverbesserungen zu identifizieren.
Das Pop-up der Konfusionsmatrix:
Bewegen Sie den Mauszeiger über die Zellen, um die Werte anzuzeigen, und klicken Sie auf die Zellen, um die entsprechenden Bilder mit Modellvorhersagen und Ground-Truth-Daten anzuzeigen.
Klicken Sie auf "Vektoranalyse", um ein Streudiagramm anzuzeigen, das die Bildähnlichkeit basierend auf CLIP-Einbettungen visualisiert. Bilder, die näher beieinander liegen, sind semantisch ähnlich. Punkte stellen Bilder dar, die von weiß (gute Leistung) bis rot (schlechte Leistung) gefärbt sind.
Vektor-Analyse hilft:
- Bildcluster identifizieren.
- Präzise Lokalisierung von Clustern, in denen das Modell schlecht abschneidet.
- Gemeinsamkeiten zwischen Bildern verstehen, die zu schlechter Leistung führen.
Lernressourcen
Erkunden Sie diese Ressourcen, um mehr über die Verwendung von Roboflow mit Ultralytics YOLO11 zu erfahren:
- YOLO11 auf einem benutzerdefinierten Datensatz trainieren (Colab): Ein interaktives Google Colab-Notebook, das Sie durch das Training von YOLO11 mit Ihren Daten führt.
- YOLO11 Dokumentation: Erfahren Sie mehr über das Trainieren, Exportieren und Bereitstellen von YOLO11-Modellen innerhalb des Ultralytics-Frameworks.
- Ultralytics Blog: Bietet Artikel über Computer Vision, einschließlich YOLO11-Training und Best Practices für die Annotation.
- Ultralytics YouTube-Kanal: Bietet ausführliche Videoanleitungen zu Themen der Computer Vision, vom Modelltraining über die automatisierte Beschriftung bis hin zur Bereitstellung.
Projektdarstellung
Feedback von Benutzern, die Ultralytics YOLO11 und Roboflow kombinieren:
FAQ
Häufig gestellte Fragen
Wie kann ich Daten für YOLO11-Modelle mit Roboflow beschriften?
Verwenden Sie Roboflow Annotate. Erstellen Sie ein Projekt, laden Sie Bilder hoch und verwenden Sie die Annotationstools (B
für Bounding Boxes, P
für Polygone) oder den SAM-basierten Label-Assistenten für eine schnellere Beschriftung. Detaillierte Schritte sind verfügbar im Abschnitt zum Hochladen, Konvertieren und Beschriften von Daten.
Welche Dienstleistungen bietet Roboflow für die Sammlung von YOLO11-Trainingsdaten an?
Roboflow bietet Universe (Zugriff auf zahlreiche Datensätze) und Collect (automatisierte Bilderfassung per Webcam). Diese können helfen, die notwendigen Trainingsdaten für Ihr YOLO11-Modell zu beschaffen und ergänzen die in unserem Leitfaden zur Datenerfassung beschriebenen Strategien.
Wie kann ich meinen YOLO11-Datensatz mit Roboflow verwalten und analysieren?
Nutzen Sie die Funktionen von Roboflow zur Datensatzsuche, -tagging und -zustandsprüfung. Die Suche findet Bilder anhand von Text oder Tags, während die Zustandsprüfung die Qualität des Datensatzes analysiert (Klassenverteilung, Bildgrößen usw.), um Verbesserungen vor dem Training zu steuern. Weitere Informationen finden Sie im Abschnitt Datensatzverwaltung.
Wie exportiere ich meinen YOLO11-Datensatz aus Roboflow?
Erstellen Sie eine Datensatzversion in Roboflow, wenden Sie die gewünschte Vorverarbeitung und Augmentierungen an, klicken Sie dann auf „Datensatz exportieren“ und wählen Sie das YOLO11-Format aus. Der Prozess ist im Abschnitt Daten exportieren beschrieben. Dies bereitet Ihre Daten für die Verwendung mit Ultralytics Trainingspipelines vor.
Wie kann ich YOLO11-Modelle mit Roboflow integrieren und bereitstellen?
Laden Sie Ihre trainierten YOLO11-Gewichte mit dem bereitgestellten Python-Skript auf Roboflow hoch. Dadurch wird ein bereitstellbarer API-Endpunkt erstellt. Weitere Informationen zum Skript und zu den Anweisungen finden Sie im Abschnitt Benutzerdefinierte Gewichte hochladen. Weitere Bereitstellungsoptionen finden Sie in unserer Dokumentation.