CVAT-Integration#
Direkte Importe von CVAT in die Ultralytics Platform kommen bald, sodass ein Bilddetektions- oder Segmentierungsexport aus CVAT ohne Auswahl eines Formats unverändert hochgeladen wird.
Bis dahin gibt es einen kurzen Weg, der schon heute funktioniert, da CVAT bereits im Ultralytics-YOLO-Layout exportiert, das die Platform einliest.
Heute aus CVAT importieren#
- Aus CVAT exportieren. Öffne deine Aufgabe und wähle Actions > Export task dataset (aus einem Job: Menu > Export job dataset).
- Format auswählen. Wähle den zu deiner Aufgabe passenden Eintrag Ultralytics YOLO — CVAT führt
Ultralytics YOLO Detection 1.0,Ultralytics YOLO Segmentation 1.0,Ultralytics YOLO Oriented Bounding Boxes 1.0undUltralytics YOLO Pose 1.0separat auf. - Save images aktivieren, gib
.zipeinen Namen und klicke auf OK. Ohne die Bilder enthält das Archiv nur Annotationen, und die Platform kann nichts importieren. - Archiv herunterladen. Der Export läuft im Hintergrund — sobald er abgeschlossen ist, kannst du ihn auf der Requests-Seite von CVAT abrufen.
- In die Platform hochladen. Erstelle einen neuen Datensatz aus der ZIP-Datei.
- Trainieren. Bearbeite die Annotationen, trainiere und stelle bereit, ohne den Arbeitsbereich zu verlassen.
Mit der CLI exportieren#
Die CLI von CVAT exportiert dasselbe Archiv vom Terminal aus:
pip install cvat-cli
cvat-cli project export-dataset --format "Ultralytics YOLO Detection 1.0" --with-images yes 104 dataset.zipErsetze 104 durch deine Projekt-ID und die Formatzeichenfolge durch die zu deiner Aufgabe passende Variante. --with-images yes entspricht in der CLI dem Schalter Save images; ohne diese Option enthält das Archiv nur Annotationen.
Der Ultralytics-YOLO-Export von CVAT erzeugt das von der Platform erwartete Layout, sodass keine Konvertierung erforderlich ist:
archive.zip/
├── data.yaml # class names Platform reads
├── images/train/
└── labels/train/Exportformat auswählen#
CVAT bietet viele Exportformate. Drei davon sind hier relevant:
| CVAT-Format | Funktioniert | Hinweise |
|---|---|---|
| Ultralytics YOLO | Am besten | Enthält data.yaml, sodass deine Bezeichnungen unverändert übernommen werden |
| COCO 1.0 | Ja | Wird ebenfalls eingelesen; eine Mischung aus Polygonen und Boxen wird als Segmentdatensatz importiert, während Datensätze mit ausschließlich Boxen verworfen werden |
| COCO Keypoints 1.0 | Ja | Wird als Posendatensatz importiert, wobei die Anzahl der Schlüsselpunkte aus der häufigsten Form übernommen wird |
| YOLO 1.1 | Teilweise | Boxen werden importiert, aber die Datei obj.names wird nicht eingelesen — die Klassen werden als class0, class1, … übernommen |
Jede COCO-Annotation muss ein bbox enthalten, damit sie eingelesen wird; Crowd-Regionen ("iscrowd": 1) werden übersprungen. Kategorienamen
werden zu Klassennamen, und Kategorie-IDs werden in allen JSON-Dateien des Archivs vereinheitlicht, sodass Exporte nach Aufteilung
konsistente Klassen-IDs beibehalten.
Die Platform liest Pascal-VOC-XML-Bezeichnungen nicht ein, und ein VOC-Export schlägt unauffällig statt mit einer Fehlermeldung fehl: Die Bilder werden importiert, die Annotationen jedoch nicht, und ein VOC-Export mit mindestens fünf Bildern übernimmt außerdem eine einzelne Klasse, die nach dem Bilderordner benannt ist. Wähle stattdessen Ultralytics YOLO oder COCO.
Was die Integration hinzufügen wird#
Die Auswahl des richtigen Exportformats ist der Schritt, den die Integration überflüssig macht. Sobald sie verfügbar ist, exportierst du jedes der Bilddetektions- und Segmentierungsformate von CVAT, lädst es hoch, und die Platform ordnet die Annotationen selbst der passenden YOLO-Aufgabe zu.
- Kein Format auswählen — Die Bilddetektions- und Segmentierungsexporte von CVAT werden einem YOLO-Datensatz zugeordnet, wobei die Bezeichnungen erhalten bleiben
- Ein Arbeitsbereich — Beschriftung, Training und Bereitstellung erstrecken sich nicht mehr über separate Tools und ein Konvertierungsskript
- Weiter annotieren — Importierte Datensätze werden im Annotationseditor der Platform geöffnet, einschließlich der intelligenten Annotation mit SAM
- Sofort trainieren — Datensätze sind für das Cloud-Training bereit, sobald ihre Verarbeitung abgeschlossen ist