Roboflow#

Roboflow ofrece herramientas de etiquetado de datos y exportación de conjuntos de datos en varios formatos, incluido YOLO. Esta guía trata sobre cómo etiquetar, exportar y desplegar datos para los modelos Ultralytics YOLO.

Esta guía muestra cómo encontrar, etiquetar y organizar datos para entrenar un modelo personalizado Ultralytics YOLO26 con Roboflow.

• Recopilar datos para el entrenamiento
• Etiquetar datos
• Gestión de conjuntos de datos
• Exportar datos
• Desplegar modelos
• Evaluar modelos
• Preguntas frecuentes

Recopilar datos para entrenar un modelo YOLO26 personalizado#

Roboflow ofrece dos servicios principales para ayudarte a recopilar datos para los modelos YOLO de Ultralytics: Universe y Collect. Para obtener información más general sobre estrategias de recopilación de datos, consulta nuestra Guía de recopilación y anotación de datos.

Roboflow Universe#

Roboflow Universe es un repositorio en línea de conjuntos de datos de visión artificial. Puedes exportar conjuntos de datos en formato YOLO para usarlos con modelos Ultralytics.

Roboflow Collect#

Si prefieres recopilar las imágenes por tu cuenta, Roboflow Collect es un proyecto de código abierto que permite recopilar imágenes automáticamente mediante una cámara web en dispositivos edge. Puedes usar indicaciones de texto o imágenes para especificar los datos que quieres recopilar y así capturar solo las imágenes necesarias para tu modelo de visión.

Subir, convertir y etiquetar datos para el formato YOLO26#

Roboflow Annotate es una herramienta en línea para etiquetar imágenes destinadas a varias tareas de visión artificial, como la detección de objetos, la clasificación y la segmentación.

Para etiquetar datos para un modelo YOLO de Ultralytics, crea un proyecto en Roboflow, sube tus imágenes y empieza a anotarlas.

Herramientas de anotación#

• Anotación de cuadros delimitadores: Pulsa B o haz clic en el icono del cuadro. Haz clic y arrastra para crear el cuadro delimitador. Una ventana emergente te pedirá que selecciones una clase para la anotación.
• Anotación de polígonos: Se usa para la segmentación de instancias. Pulsa P o haz clic en el icono del polígono. Haz clic en varios puntos alrededor del objeto para dibujar el polígono.

Asistente de etiquetado (integración con SAM)#

Roboflow integra un asistente de etiquetado basado en un modelo Segment Anything (SAM) que puede acelerar la anotación.

Para usar el asistente de etiquetado, haz clic en el icono del cursor de la barra lateral. SAM se activará para tu proyecto.

Pasa el cursor por encima de un objeto y SAM puede sugerir una anotación. Haz clic para aceptar la anotación. Puedes ajustar el nivel de precisión de la anotación haciendo clic dentro o fuera del área sugerida.

Etiquetado#

Puedes añadir etiquetas a las imágenes mediante el panel Tags de la barra lateral. Las etiquetas pueden representar atributos como la ubicación, la fuente de la cámara, etc. Así podrás buscar imágenes concretas y generar versiones del conjunto de datos que contengan imágenes con determinadas etiquetas.

Asistente de etiquetado (basado en modelos)#

Puedes usar modelos alojados en Roboflow con Label Assist para que sugieran anotaciones. Sube los pesos de tu modelo YOLO a Roboflow (consulta las instrucciones más abajo) y, a continuación, activa Label Assist mediante el icono de la varita mágica de la barra lateral.

Gestión de conjuntos de datos para YOLO26#

Roboflow ofrece varias herramientas para comprender y gestionar tus conjuntos de datos de visión artificial.

Búsqueda en conjuntos de datos#

Usa la búsqueda en conjuntos de datos para encontrar imágenes a partir de descripciones de texto o etiquetas concretas. Accede a esta función haciendo clic en «Dataset» en la barra lateral.

Comprobación del estado#

Antes de entrenar, usa Roboflow Health Check para conocer mejor tu conjunto de datos e identificar posibles mejoras. Accede a esta función mediante el enlace «Health Check» de la barra lateral. Proporciona estadísticas sobre el tamaño de las imágenes, el equilibrio entre clases, mapas de calor de anotaciones y mucho más.

Health Check puede sugerir cambios para mejorar el rendimiento, como corregir desequilibrios entre clases que se detecten en la función de equilibrio entre clases. Comprender el estado del conjunto de datos es fundamental para un entrenamiento eficaz del modelo.

Preprocesar y aumentar los datos para mejorar la robustez del modelo#

Para exportar tus datos, tienes que crear una versión del conjunto de datos, que es una instantánea del conjunto en un momento concreto. Haz clic en «Versions» en la barra lateral y, después, en «Create New Version». Aquí puedes aplicar pasos de preprocesamiento y aumentos de datos para mejorar potencialmente la robustez del modelo.

Para cada aumento seleccionado, una ventana emergente te permite ajustar sus parámetros, como el brillo. Un aumento de datos adecuado puede mejorar considerablemente la capacidad de generalización del modelo, un concepto clave que se explica en nuestra guía de consejos para entrenar modelos.

Exportar datos en más de 40 formatos para entrenar modelos#

Cuando se genere la versión de tu conjunto de datos, podrás exportarla en varios formatos adecuados para entrenar modelos. Haz clic en el botón «Export Dataset» de la página de la versión.

Selecciona el formato «YOLO26» para que sea compatible con los flujos de entrenamiento de Ultralytics. Ya puedes entrenar tu modelo personalizado YOLO26. Consulta la documentación del modo de entrenamiento de Ultralytics para obtener instrucciones detalladas sobre cómo iniciar el entrenamiento con el conjunto de datos exportado.

Subir los pesos de un modelo YOLO26 personalizado para probarlo y desplegarlo#

Roboflow ofrece una API escalable para modelos desplegados y SDK compatibles con dispositivos como NVIDIA Jetson, Luxonis OAK, Raspberry Pi y sistemas basados en GPU. Explora las distintas opciones de despliegue de modelos en nuestras guías.

Puedes desplegar modelos YOLO26 subiendo sus pesos a Roboflow con un sencillo script de Python.

Crea un archivo Python y añade el siguiente código:

import roboflow  # install with 'pip install roboflow'

# Log in to Roboflow (requires API key)
roboflow.login()

# Initialize Roboflow client
rf = roboflow.Roboflow()

# Define your workspace and project details
WORKSPACE_ID = "your-workspace-id"  # Replace with your actual Workspace ID
PROJECT_ID = "your-project-id"  # Replace with your actual Project ID
VERSION = 1  # Replace with your desired dataset version number
MODEL_PATH = "path/to/your/runs/detect/train/"  # Replace with the path to your YOLO26 training results directory

# Get project and version
project = rf.workspace(WORKSPACE_ID).project(PROJECT_ID)
dataset = project.version(VERSION)

# Upload model weights for deployment
# Ensure MODEL_PATH points to the directory containing 'best.pt'
dataset.deploy(
    model_type="yolov8",
    model_path=MODEL_PATH,
)  # Note: Use "yolov8" as model_type for YOLO26 compatibility in Roboflow deployment

print(f"Model from {MODEL_PATH} uploaded to Roboflow project {PROJECT_ID}, version {VERSION}.")
print("Deployment may take up to 30 minutes.")

En este código, sustituye your-workspace-id, your-project-id, el número VERSION y MODEL_PATH por los valores correspondientes a tu cuenta de Roboflow, tu proyecto y el directorio local con los resultados del entrenamiento. Asegúrate de que MODEL_PATH apunte correctamente al directorio que contiene el archivo de pesos entrenados best.pt.

Al ejecutar el código anterior, se te pedirá que te autentiques (normalmente mediante una clave de API). A continuación, se subirá tu modelo y se creará un endpoint de API para tu proyecto. Este proceso puede tardar hasta 30 minutos.

Para probar tu modelo y consultar las instrucciones de despliegue para los SDK compatibles, ve a la pestaña «Deploy» de la barra lateral de Roboflow. En la parte superior de esta página aparecerá un widget que te permitirá probar el modelo con tu cámara web o subiendo imágenes o vídeos.

También puedes usar el modelo que has subido como asistente de etiquetado, que sugerirá anotaciones para imágenes nuevas basándose en su entrenamiento.

Cómo evaluar modelos YOLO26#

Roboflow ofrece funciones para evaluar el rendimiento de los modelos. Comprender las métricas de rendimiento es fundamental para iterar sobre los modelos.

Después de subir un modelo, accede a la herramienta de evaluación desde la página del modelo en el panel de Roboflow. Haz clic en «View Detailed Evaluation».

Esta herramienta muestra una matriz de confusión que ilustra el rendimiento del modelo y un gráfico interactivo de análisis vectorial basado en incrustaciones de CLIP. Estas funciones ayudan a identificar aspectos que se pueden mejorar en el modelo.

Ventana emergente de la matriz de confusión:

Pasa el cursor por encima de las celdas para ver sus valores y haz clic en ellas para ver las imágenes correspondientes con las predicciones del modelo y los datos de referencia.

Haz clic en «Vector Analysis» para ver un diagrama de dispersión que representa la similitud entre imágenes según las incrustaciones de CLIP. Las imágenes más cercanas son semánticamente similares. Los puntos representan imágenes y están coloreados desde el blanco (buen rendimiento) hasta el rojo (mal rendimiento).

El análisis vectorial te ayuda a:

• Identificar grupos de imágenes.
• Localizar los grupos en los que el modelo tiene un rendimiento deficiente.
• Entender qué tienen en común las imágenes que provocan un rendimiento deficiente.

Recursos de aprendizaje#

• Entrenar YOLO con un conjunto de datos personalizado (Colab): Cuaderno interactivo de Google Colab para entrenar con tus datos.
• Documentación de Ultralytics YOLO: Entrenamiento, exportación y despliegue de modelos YOLO.
• Blog de Ultralytics: Artículos sobre visión artificial y entrenamiento de modelos.
• YouTube de Ultralytics: Guías en vídeo sobre el entrenamiento y el despliegue de modelos.

Preguntas frecuentes#