Roboflow Datensätze
Du kannst jetzt Roboflow verwenden, um deine 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 du deinen Arbeitsbereich öffentlich machst.
Lizenzierung
Ultralytics bietet zwei Lizenzierungsoptionen an:
- Die AGPL-3.0 Lizenz, eine von der OSI genehmigte Open-Source-Lizenz, ist ideal für Studierende und Enthusiasten.
- Die Enterprise-Lizenz für Unternehmen, die unsere KI-Modelle in ihre Produkte und Dienstleistungen einbinden möchten.
Weitere Informationen findest du unter Ultralytics Lizenzierung.
Hochladen
Roboflow Du kannst deine Daten über die Web UI, REST API oder Python.
Kennzeichnung
Nachdem du Daten auf Roboflow hochgeladen hast, kannst du deine Daten beschriften und frühere Beschriftungen überprüfen.
Versionierung
Du kannst verschiedene Versionen deines Datensatzes mit unterschiedlichen Vorverarbeitungs- und Offline-Erweiterungsoptionen erstellen. YOLOv5 führt von Haus aus Online-Erweiterungen durch, also sei vorsichtig, wenn du die Offline-Erweiterungen von Roboflow übereinander legst.
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 veröffentlicht, das alle oben genannten Funktionen demonstriert. Du kannst den Code hier aufrufen:
Aktives Lernen
The real world is messy and your model will invariably encounter situations your dataset didn't anticipate. Using active learning is an important strategy to iteratively improve your dataset and model. With the Roboflow and YOLOv5 integration, you can quickly make improvements on your model deployments by using a battle tested machine learning pipeline.
Unterstützte Umgebungen
Ultralytics bietet eine Reihe gebrauchsfertiger Umgebungen, die jeweils mit wichtigen Abhängigkeiten vorinstalliert sind, wie z. B. CUDA, CUDNN, Python, und PyTorch, um deine Projekte zu starten.
- Kostenlose GPU Notizbücher:
- Google Cloud: GCP Schnellstart-Anleitung
- Amazon: AWS Schnellstart-Anleitung
- Azure: AzureML Schnellstartanleitung
- 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 Bereichen: Training, Validierung, Inferenz, Export und Benchmarks. Sie gewährleisten einen konsistenten und zuverlässigen Betrieb unter macOS, Windows und Ubuntu. Die Tests werden alle 24 Stunden und bei jeder neuen Übertragung durchgeführt.
FAQ
Wie lade ich Daten auf Roboflow hoch, um YOLOv5 Modelle zu trainieren?
Du kannst deine Daten mit drei verschiedenen Methoden auf Roboflow hochladen: über die Website, die REST API oder über Python. Diese Optionen bieten dir Flexibilität je nach deinen technischen Vorlieben oder Projektanforderungen. Sobald du deine Daten hochgeladen hast, kannst du sie organisieren, beschriften und versionieren, um sie für das Training mit Ultralytics YOLOv5 Modellen vorzubereiten. Weitere Informationen findest du im Abschnitt Upload in der Dokumentation.
Welche Vorteile hat 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 Workflows beim maschinellen Lernen unerlässlich 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 unterstützt außerdem verschiedene Vorverarbeitungs- und Offline-Erweiterungsoptionen, um die Qualität 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 lädt 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 ".
What is active learning and how does it work with YOLOv5 and 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 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 überprüft oder korrigiert, um das Modell weiter zu trainieren. Mehr über aktives Lernen erfährst du im Abschnitt Aktives Lernen weiter oben.
Wie kann ich Ultralytics Umgebungen für das Training von YOLOv5 Modellen auf verschiedenen Plattformen nutzen?
Ultralytics provides ready-to-use environments with pre-installed dependencies like CUDA, CUDNN, Python, and PyTorch, making it easier to kickstart your training projects. These environments are available on various platforms such as Google Cloud, AWS, Azure, and Docker. You can also access free GPU notebooks via Paperspace, Google Colab, and Kaggle. For specific setup instructions, visit the Supported Environments section of the documentation.
