Zum Inhalt springen

Roboflow Datens├Ątze

Du kannst jetzt Roboflow verwenden, um deine Datens├Ątze f├╝r das Training von YOLOv5 ­čÜÇ Modellen zu organisieren, zu beschriften, vorzubereiten, zu versionieren und zu hosten. Roboflow kann kostenlos mit YOLOv5 verwendet werden, wenn du deinen Arbeitsbereich ├Âffentlich machst.

Lizenzierung

Ultralytics bietet zwei Lizenzierungsoptionen an:

Weitere Informationen findest du unter Ultralytics Lizenzierung.

Hochladen

Roboflow Du kannst deine Daten ├╝ber die Web UI, REST API oder Python.

Kennzeichnung

Nachdem du Daten auf Roboflow hochgeladen hast, kannst du deine Daten beschriften und fr├╝here Beschriftungen ├╝berpr├╝fen.

Roboflow Kommentiere

Versionierung

Du kannst verschiedene Versionen deines Datensatzes mit unterschiedlichen Vorverarbeitungs- und Offline-Erweiterungsoptionen erstellen. YOLOv5 f├╝hrt von Haus aus Online-Erweiterungen durch, also sei vorsichtig, wenn du die Offline-Erweiterungen von Roboflow ├╝bereinander legst.

Roboflow Vorverarbeitung

Daten exportieren

Du kannst deine Daten im Format YOLOv5 herunterladen, um schnell mit dem Training zu beginnen.

from roboflow import Roboflow
rf = Roboflow(api_key="YOUR API KEY HERE")
project = rf.workspace().project("YOUR PROJECT")
dataset = project.version("YOUR VERSION").download("yolov5")

Individuelle Ausbildung

Wir haben ein benutzerdefiniertes Trainingstutorial ver├Âffentlicht, das alle oben genannten Funktionen demonstriert. Du kannst den Code hier aufrufen:

In Colab ├Âffnen

Aktives Lernen

Die reale Welt ist chaotisch und dein Modell wird unweigerlich auf Situationen sto├čen, die dein Datensatz nicht vorhergesehen hat. Aktives Lernen ist eine wichtige Strategie, um deinen Datensatz und dein Modell iterativ zu verbessern. Mit der Integration von Roboflow und YOLOv5 kannst du deine Modelle schnell verbessern, indem du eine erprobte Pipeline f├╝r maschinelles Lernen verwendest.

Roboflow aktives Lernen

Unterst├╝tzte Umgebungen

Ultralytics bietet eine Reihe gebrauchsfertiger Umgebungen, die jeweils mit wichtigen Abh├Ąngigkeiten vorinstalliert sind, wie z. B. CUDA, CUDNN, Python, und PyTorch, um deine Projekte zu starten.

Projektstatus

YOLOv5 CI

Dieses Abzeichen zeigt an, dass alle YOLOv5 GitHub Actions Continuous Integration (CI) Tests erfolgreich bestanden wurden. Diese CI-Tests ├╝berpr├╝fen die Funktionalit├Ąt und Leistung von YOLOv5 in verschiedenen Bereichen: Training, Validierung, Inferenz, Export und Benchmarks. Sie gew├Ąhrleisten einen konsistenten und zuverl├Ąssigen Betrieb unter macOS, Windows und Ubuntu. Die Tests werden alle 24 Stunden und bei jeder neuen ├ťbertragung durchgef├╝hrt.

FAQ

Wie lade ich Daten auf Roboflow hoch, um YOLOv5 Modelle zu trainieren?

Du kannst deine Daten mit drei verschiedenen Methoden auf Roboflow hochladen: ├╝ber die Website, die REST API oder ├╝ber Python. Diese Optionen bieten dir Flexibilit├Ąt je nach deinen technischen Vorlieben oder Projektanforderungen. Sobald du deine Daten hochgeladen hast, kannst du sie organisieren, beschriften und versionieren, um sie f├╝r das Training mit Ultralytics YOLOv5 Modellen vorzubereiten. Weitere Informationen findest du im Abschnitt Upload in der Dokumentation.

Welche Vorteile hat die Verwendung von Roboflow f├╝r die Kennzeichnung und Versionierung von Daten?

Roboflow bietet eine umfassende Plattform f├╝r die Organisation, Kennzeichnung und Versionierung von Daten, die f├╝r effiziente Workflows beim maschinellen Lernen unerl├Ąsslich ist. Wenn du Roboflow mit YOLOv5 nutzt, kannst du den Prozess der Datensatzvorbereitung rationalisieren und sicherstellen, dass deine Daten korrekt beschriftet und konsistent versioniert sind. Die Plattform unterst├╝tzt au├čerdem verschiedene Vorverarbeitungs- und Offline-Erweiterungsoptionen, um die Qualit├Ąt deines Datensatzes zu verbessern. Einen tieferen Einblick in diese Funktionen findest du in den Abschnitten Kennzeichnung und Versionierung in der Dokumentation.

Wie kann ich meinen Datensatz von Roboflow in das Format YOLOv5 exportieren?

Der Export deines Datensatzes vom Format Roboflow in das Format YOLOv5 ist ganz einfach. Du kannst das Python Code Snippet aus der Dokumentation verwenden:

from roboflow import Roboflow

rf = Roboflow(api_key="YOUR API KEY HERE")
project = rf.workspace().project("YOUR PROJECT")
dataset = project.version("YOUR VERSION").download("yolov5")

Dieser Code l├Ądt deinen Datensatz in einem mit YOLOv5 kompatiblen Format herunter, sodass du schnell mit dem Training deines Modells beginnen kannst. Weitere Informationen findest du im Abschnitt " Daten exportieren ".

Was ist aktives Lernen und wie funktioniert es mit YOLOv5 und Roboflow?

Aktives Lernen ist eine Strategie des maschinellen Lernens, die ein Modell iterativ verbessert, indem sie auf intelligente Weise die informativsten Datenpunkte zur Kennzeichnung ausw├Ąhlt. Mit der Integration von Roboflow und YOLOv5 kannst du aktives Lernen einsetzen, um die Leistung deines Modells kontinuierlich zu verbessern. Dabei wird ein Modell eingesetzt, neue Daten werden erfasst, das Modell wird verwendet, um Vorhersagen zu treffen, und dann werden diese Vorhersagen manuell ├╝berpr├╝ft oder korrigiert, um das Modell weiter zu trainieren. Mehr ├╝ber aktives Lernen erf├Ąhrst du im Abschnitt Aktives Lernen weiter oben.

Wie kann ich Ultralytics Umgebungen f├╝r das Training von YOLOv5 Modellen auf verschiedenen Plattformen nutzen?

Ultralytics bietet gebrauchsfertige Umgebungen mit vorinstallierten Abh├Ąngigkeiten wie CUDA, CUDNN, Python und PyTorch, die den Start deiner Schulungsprojekte erleichtern. Diese Umgebungen sind auf verschiedenen Plattformen wie Google Cloud, AWS, Azure und Docker verf├╝gbar. Du kannst auch auf kostenlose GPU notebooks ├╝ber Paperspace, Google Colab und Kaggle. Genaue Anweisungen zur Einrichtung findest du im Abschnitt Unterst├╝tzte Umgebungen in der Dokumentation.



Erstellt am 2023-11-12, Aktualisiert am 2024-07-05
Autoren: glenn-jocher (8)

Kommentare