Roboflow#

Roboflow proporciona herramientas para el etiquetado de datos y la exportación de conjuntos de datos en varios formatos, incluido YOLO. Esta guía explica cómo etiquetar, exportar y desplegar datos para modelos de Ultralytics YOLO.

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

• Recopilar datos para el entrenamiento
• Etiquetar datos
• Gestionar el conjunto de datos
• Exportar datos
• Desplegar modelos
• Evaluar modelos
• Preguntas frecuentes

Recopilar datos para entrenar un modelo YOLO26 personalizado#

Roboflow ofrece dos servicios principales para ayudar a recopilar datos para 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 utilizarlos con modelos de 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 periféricos. Puedes utilizar indicaciones de texto o imagen para especificar los datos que quieres recopilar, lo que ayuda a capturar únicamente 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 para diversas tareas de visión artificial, incluida 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 utiliza 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 de SAM)#

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

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

Pasa el cursor sobre un objeto y SAM puede sugerir una anotación. Haz clic para aceptar la anotación. Puedes ajustar su precisión 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. Estas etiquetas te permiten buscar imágenes específicas y generar versiones del conjunto de datos que contengan imágenes con determinadas etiquetas.

Asistente de etiquetado (basado en modelos)#

Los modelos alojados en Roboflow pueden utilizarse con Label Assist para sugerir anotaciones. Sube los pesos de tu modelo YOLO a Roboflow (consulta las instrucciones siguientes) y, después, activa Label Assist mediante el icono de la varita mágica de la barra lateral.

Gestión del conjunto de datos para YOLO26#

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

Búsqueda en el conjunto de datos#

Utiliza la búsqueda del conjunto de datos para encontrar imágenes basadas en descripciones de texto o etiquetas específicas. Accede a esta función haciendo clic en «Dataset» en la barra lateral.

Comprobación del estado#

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

Health Check puede sugerir cambios para mejorar el rendimiento, como solucionar los desequilibrios entre clases identificados en la función de equilibrio entre clases. Comprender el estado del conjunto de datos es esencial para un entrenamiento eficaz del modelo.

Preprocesar y aumentar datos para mejorar la robustez del modelo#

Para exportar tus datos, debes crear una versión del conjunto de datos, que es una instantánea de tu conjunto de datos 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 adecuado puede mejorar considerablemente la capacidad de generalización del modelo, un concepto clave que se trata en nuestra guía de consejos para el entrenamiento de modelos.

Exportar datos en más de 40 formatos para entrenar modelos#

Una vez generada la versión de tu conjunto de datos, puedes 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 garantizar la compatibilidad con las canalizaciones de entrenamiento de Ultralytics. Ya puedes entrenar tu modelo YOLO26 personalizado. Consulta la documentación del modo Train de Ultralytics para obtener instrucciones detalladas sobre cómo iniciar el entrenamiento con tu 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 varias opciones de despliegue de modelos en nuestras guías.

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

Crea un archivo de Python nuevo y añade el código siguiente:

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 específicos de tu cuenta de Roboflow, tu proyecto y el directorio local de resultados del entrenamiento. Asegúrate de que MODEL_PATH apunta correctamente al directorio que contiene el archivo de pesos best.pt entrenado.

Al ejecutar el código anterior, se te pedirá que te autentiques (normalmente mediante una clave de API). A continuación, tu modelo se subirá 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 de 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 mediante tu cámara web o subiendo imágenes o vídeos.

Tu modelo subido también puede utilizarse como asistente de etiquetado, ya que sugiere anotaciones en imágenes nuevas basándose en su entrenamiento.

Cómo evaluar modelos YOLO26#

Roboflow proporciona funciones para evaluar el rendimiento de los modelos. Comprender las métricas de rendimiento es esencial para iterar sobre el modelo.

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 embeddings de CLIP. Estas funciones ayudan a identificar áreas de mejora del modelo.

La ventana emergente de la matriz de confusión:

Pasa el cursor sobre 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 muestra la similitud entre imágenes según los embeddings de CLIP. Las imágenes más cercanas entre sí son semánticamente similares. Los puntos representan imágenes y su color va del blanco (buen rendimiento) al rojo (mal rendimiento).

El análisis vectorial ayuda a:

• Identificar grupos de imágenes.
• Localizar los grupos en los que el modelo tiene un rendimiento deficiente.
• Comprender las características comunes de 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#