CVAT-Integration#
Direkte CVAT-Importe kommen zu Ultralytics Platform, sodass ein CVAT-Bilddetektions- oder -segmentierungsexport unverändert ohne auszuwählendes Format hochgeladen wird.
Bis dahin gibt es einen kurzen Weg, der bereits heute funktioniert, da CVAT schon im von Platform gelesenen Ultralytics YOLO-Layout exportiert.
Aus CVAT importieren – heute#
- Aus CVAT exportieren. Öffne deine Aufgabe und wähle Aktionen > Dataset-Aufgabe exportieren (bei einem Job ist es Menü > Job-Dataset exportieren).
- Wähle das Format. Wähle den Ultralytics YOLO-Eintrag, der zu deiner Aufgabe passt — CVAT listet
Ultralytics YOLO Detection 1.0,Ultralytics YOLO Segmentation 1.0,Ultralytics YOLO Oriented Bounding Boxes 1.0undUltralytics YOLO Pose 1.0separat auf. - Aktiviere „Bilder speichern“, benenne
.zipund klicke auf OK. Ohne die Bilder enthält das Archiv nur Annotationen, und Platform hat nichts zum Importieren. - Lade das Archiv herunter. Der Export läuft im Hintergrund — hol ihn dir von der Anfragen-Seite von CVAT, wenn er fertig ist.
- In Platform hochladen. Erstelle einen neuen Datensatz aus der ZIP-Datei.
- Trainiere. Bearbeite die Annotationen, trainiere und deploye, ohne den Arbeitsbereich zu verlassen.
Mit der CLI exportieren#
Die CVAT-Befehlszeilenschnittstelle exportiert dasselbe Archiv über das Terminal:
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 den Formatstring durch die zu deiner Aufgabe passende Variante. --with-images yes ist das Äquivalent des Schalters Bilder speichern in der Befehlszeilenschnittstelle; ohne ihn enthält das Archiv nur Annotationen.
Der Ultralytics YOLO-Export von CVAT erzeugt das von Platform erwartete Layout, sodass nichts konvertiert werden muss:
archive.zip/
├── data.yaml # class names Platform reads
├── images/train/
└── labels/train/Auswahl eines Exportformats#
CVAT bietet viele Exportformate an. Drei davon sind wichtig:
| CVAT-Format | Funktioniert | Hinweise |
|---|---|---|
| Ultralytics YOLO | Bestens | Liefert data.yaml, sodass deine Label-Namen intakt bleiben |
| COCO 1.0 | Ja | Wird ebenfalls gelesen; eine Mischung aus Polygonen und Boxen wird als Segment importiert, und die reinen Boxen werden verworfen |
| COCO Keypoints 1.0 | Ja | Wird als Pose-Dataset importiert, wobei die Anzahl der Keypoints aus der häufigsten Form übernommen wird |
| YOLO 1.1 | Teilweise | Boxen werden importiert, aber die Datei obj.names wird nicht gelesen — Klassen kommen als class0, class1, … an |
Jede COCO-Annotation muss ein bbox enthalten, um gelesen zu werden, und Crowd-Regionen ("iscrowd": 1) werden übersprungen. Kategorienamen werden zu Klassennamen, und Kategorie-IDs werden über alle JSON-Dateien im Archiv hinweg vereinheitlicht, sodass Exports pro Split konsistente Klassen-IDs behalten.
Platform liest keine Pascal VOC XML-Labels, und ein VOC-Export schlägt eher leise als laut fehl: Die Bilder werden importiert, die Annotationen nicht, und ein VOC-Export von fünf oder mehr Bildern übernimmt zudem eine einzelne Klasse, die nach ihrem Bilderordner benannt ist. Wähle stattdessen Ultralytics YOLO oder COCO.
Was die Integration hinzufügen wird#
Die Wahl des richtigen Exportformats ist der Schritt, den die Integration überflüssig macht. Sobald sie verfügbar ist, exportierst du eines der Bilddetektions- und -segmentierungsformate von CVAT, lädst es hoch, und Platform ordnet die Annotationen selbst der passenden YOLO-Aufgabe zu.
- Kein Format auszuwählen – die Bilddetektions- und Segmentierungsexporte von CVAT werden auf ein YOLO-Dataset abgebildet, wobei die Label-Namen erhalten bleiben
- Ein Arbeitsbereich – Das Labeln, Trainieren und Deployen erfordert keine getrennten Tools und Konvertierungsskripte mehr
- Weiter annotieren — importierte Datensätze öffnen sich im Annotationseditor von Platform, einschließlich der SAM-gestützten intelligenten Annotation
- Sofort trainieren — Datensätze sind bereit für das Cloud-Training, sobald ihre Verarbeitung abgeschlossen ist