Roboflow Datensätze

Sie können jetzt Roboflow verwenden, um Ihre Datensätze für das Training von YOLOv5 🚀-Modellen zu organisieren, zu beschriften, vorzubereiten, zu versionieren und zu hosten. Roboflow kann kostenlos mit YOLOv5 verwendet werden, wenn Sie Ihren Arbeitsbereich veröffentlichen.

Hochladen

Roboflow Sie können Ihre Daten über Web UI, REST API oder Python.

Kennzeichnung

Nachdem Sie Daten auf Roboflow hochgeladen haben, können Sie Ihre Daten beschriften und frühere Beschriftungen überprüfen.

Versionierung

Sie können Versionen Ihres Datensatzes mit verschiedenen Vorverarbeitungs- und Offline-Augmentierungsoptionen erstellen. YOLOv5 führt Online-Augmentierungen von Haus aus durch, also seien Sie vorsichtig, wenn Sie die Offline-Augmentierungen von Roboflow darüber legen.

Daten exportieren

Sie können Ihre 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")

Benutzerdefinierte Ausbildung

Wir haben ein benutzerdefiniertes Schulungs-Tutorial veröffentlicht, das alle oben genannten Funktionen demonstriert. Sie können den Code hier aufrufen:

Aktives Lernen

Die reale Welt ist chaotisch und Ihr Modell wird unweigerlich auf Situationen stoßen, die Ihr Datensatz nicht vorhergesehen hat. Die Verwendung von aktivem Lernen ist eine wichtige Strategie, um Ihren Datensatz und Ihr Modell iterativ zu verbessern. Mit der Integration von Roboflow und YOLOv5 können Sie Ihre Modelle schnell verbessern, indem Sie eine erprobte Pipeline für maschinelles Lernen verwenden.

Unterstützte Umgebungen

Ultralytics bietet eine Reihe gebrauchsfertiger Umgebungen, die jeweils mit wichtigen Abhängigkeiten vorinstalliert sind, z. B. CUDA, CUDNN, Python, und PyTorchvorinstalliert, um Ihre Projekte in Gang zu bringen.

• Kostenlose GPU Notizbücher:
• Google Wolke: GCP-Schnellstart-Anleitung
• Amazon: AWS Schnellstart-Anleitung
• Azure: AzureML-Schnellstart-Anleitung
• Docker: Docker-Schnellstart-Anleitung

Projektstatus

Dieses Abzeichen zeigt an, dass alle YOLOv5 GitHub Actions Continuous Integration (CI) Tests erfolgreich bestanden wurden. Diese CI-Tests überprüfen die Funktionalität und Leistung von YOLOv5 in verschiedenen Schlüsselbereichen: Training, Validierung, Inferenz, Export und Benchmarks. Sie gewährleisten einen konsistenten und zuverlässigen Betrieb unter macOS, Windows und Ubuntu, wobei die Tests alle 24 Stunden und bei jeder neuen Übertragung durchgeführt werden.

FAQ

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

Sie können Ihre Daten mit drei verschiedenen Methoden auf Roboflow hochladen: über die Website, die REST-API oder über Python. Diese Optionen bieten Flexibilität je nach Ihren technischen Vorlieben oder Projektanforderungen. Sobald Ihre Daten hochgeladen sind, können Sie sie organisieren, beschriften und versionieren, um sie für das Training mit Ultralytics YOLOv5 Modellen vorzubereiten. Weitere Einzelheiten finden Sie im Abschnitt Upload in der Dokumentation.

Welche Vorteile bietet die Verwendung von Roboflow für die Kennzeichnung und Versionierung von Daten?

Roboflow bietet eine umfassende Plattform für die Organisation, Kennzeichnung und Versionierung von Daten, die für effiziente Arbeitsabläufe beim maschinellen Lernen unerlässlich ist. Durch die Verwendung von Roboflow mit YOLOv5 können Sie den Prozess der Datensatzvorbereitung rationalisieren und sicherstellen, dass Ihre Daten präzise beschriftet und konsistent versioniert sind. Die Plattform unterstützt auch verschiedene Vorverarbeitungs- und Offline-Erweiterungsoptionen, um die Qualität Ihres Datensatzes zu verbessern. Einen tieferen Einblick in diese Funktionen erhalten Sie in den Abschnitten Kennzeichnung und Versionierung der Dokumentation.

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

Der Export Ihres Datensatzes aus dem Format Roboflow in das Format YOLOv5 ist einfach zu bewerkstelligen. Sie können das in der Dokumentation enthaltene Codeschnipsel Python 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")

Mit diesem Code wird Ihr Datensatz in einem mit YOLOv5 kompatiblen Format heruntergeladen, so dass Sie schnell mit dem Training Ihres Modells beginnen können. Weitere Einzelheiten finden Sie im Abschnitt Exportieren von Daten.

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 auswählt. Mit der Integration von Roboflow und YOLOv5 können Sie aktives Lernen implementieren, um die Leistung Ihres Modells kontinuierlich zu verbessern. Dazu gehört die Bereitstellung eines Modells, die Erfassung neuer Daten, die Verwendung des Modells zur Erstellung von Vorhersagen und die anschließende manuelle Überprüfung oder Korrektur dieser Vorhersagen, um das Modell weiter zu trainieren. Weitere Informationen zum aktiven Lernen finden Sie im Abschnitt Aktives Lernen weiter oben.

Wie kann ich Ultralytics Umgebungen für das Training von YOLOv5 Modellen auf verschiedenen Plattformen verwenden?

Ultralytics bietet gebrauchsfertige Umgebungen mit vorinstallierten Abhängigkeiten wie CUDA, CUDNN, Python, und PyTorch, die den Start Ihrer Schulungsprojekte erleichtern. Diese Umgebungen sind auf verschiedenen Plattformen wie Google Cloud, AWS, Azure und Docker verfügbar. Sie können auch auf kostenlose GPU notebooks über Paperspace, Google Colab und Kaggle. Spezifische Anweisungen zur Einrichtung finden Sie im Abschnitt Unterstützte Umgebungen der Dokumentation.

📅 Erstellt vor 1 Jahr ✏️ Aktualisiert vor 1 Monat

Kommentare