Roboflow Conjuntos de datos

Ahora puede utilizar Roboflow para organizar, etiquetar, preparar, versionar y alojar sus conjuntos de datos para el entrenamiento de modelos YOLOv5 🚀. Roboflow es de uso gratuito con YOLOv5 si hace público su espacio de trabajo.

Cargar

Puede cargar sus datos en Roboflow a través de la interfaz de usuario web, la API REST o Python.

Etiquetado

Después de cargar los datos en Roboflow, puede etiquetar sus datos y revisar las etiquetas anteriores.

Versionado

Puede crear versiones de su conjunto de datos con diferentes opciones de preprocesamiento y aumento fuera de línea. YOLOv5 realiza aumentos en línea de forma nativa, así que tenga cuidado al superponer los aumentos fuera de línea de Roboflow.

Exportación de datos

Puedes descargar tus datos en formato YOLOv5 para empezar a entrenar rápidamente.

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")

Formación a medida

Hemos publicado un tutorial de formación personalizado que demuestra todas las capacidades anteriores. Puede acceder al código aquí:

Aprendizaje activo

El mundo real es confuso y su modelo se encontrará invariablemente con situaciones que su conjunto de datos no había previsto. El aprendizaje activo es una estrategia importante para mejorar iterativamente el conjunto de datos y el modelo. Con la integración de Roboflow y YOLOv5 , puede mejorar rápidamente sus despliegues de modelos utilizando un proceso de aprendizaje automático probado en la práctica.

Entornos compatibles

Ultralytics proporciona una serie de entornos listos para usar, cada uno de ellos preinstalado con dependencias esenciales como CUDACUDNN, Pythony PyTorchpara poner en marcha sus proyectos.

• Cuadernos gratuitos GPU:
• Google Nube: Guía de inicio rápido de GCP
• Amazon: Guía de inicio rápido de AWS
• Azure: Guía de inicio rápido de AzureML
• Docker: Guía de inicio rápido de Docker

Estado del proyecto

Este distintivo indica que todas las pruebas de integración continua (IC) deYOLOv5 GitHub Actions se han superado con éxito. Estas pruebas de IC comprueban rigurosamente la funcionalidad y el rendimiento de YOLOv5 en varios aspectos clave: formación, validación, inferencia, exportación y puntos de referencia. Garantizan un funcionamiento coherente y fiable en macOS, Windows y Ubuntu, con pruebas realizadas cada 24 horas y en cada nueva confirmación.

PREGUNTAS FRECUENTES

¿Cómo se cargan los datos en Roboflow para entrenar los modelos de YOLOv5 ?

Puede cargar sus datos en Roboflow utilizando tres métodos diferentes: a través del sitio web, la API REST o a través de Python. Estas opciones ofrecen flexibilidad en función de sus preferencias técnicas o de los requisitos del proyecto. Una vez cargados sus datos, puede organizarlos, etiquetarlos y versionarlos para prepararlos para el entrenamiento con los modelos de Ultralytics YOLOv5 . Para más detalles, visite la sección Cargar de la documentación.

¿Cuáles son las ventajas de utilizar Roboflow para el etiquetado y versionado de datos?

Roboflow proporciona una plataforma completa para la organización, el etiquetado y el versionado de datos, lo que resulta esencial para la eficacia de los flujos de trabajo de aprendizaje automático. Al utilizar Roboflow con YOLOv5, puede agilizar el proceso de preparación del conjunto de datos, garantizando que sus datos estén anotados con precisión y versionados de forma coherente. La plataforma también admite varias opciones de preprocesamiento y aumento offline para mejorar la calidad del conjunto de datos. Para profundizar en estas funciones, consulte las secciones Etiquetado y Versionado de la documentación.

¿Cómo puedo exportar mi conjunto de datos de Roboflow al formato YOLOv5 ?

Exportar su conjunto de datos del formato Roboflow al formato YOLOv5 es muy sencillo. Puede utilizar el fragmento de código Python incluido en la documentación:

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")

Este código descargará su conjunto de datos en un formato compatible con YOLOv5, lo que le permitirá comenzar rápidamente a entrenar su modelo. Para más detalles, consulte la sección Exportación de datos.

¿Qué es el aprendizaje activo y cómo funciona con YOLOv5 y Roboflow?

El aprendizaje activo es una estrategia de aprendizaje automático que mejora iterativamente un modelo mediante la selección inteligente de los puntos de datos más informativos para etiquetar. Con la integración de Roboflow y YOLOv5 , puede aplicar el aprendizaje activo para mejorar continuamente el rendimiento de su modelo. Esto implica desplegar un modelo, capturar nuevos datos, utilizar el modelo para hacer predicciones y, a continuación, verificar o corregir manualmente esas predicciones para seguir entrenando el modelo. Para más información sobre el aprendizaje activo, consulte la sección Aprendizaje activo.

¿Cómo puedo utilizar entornos Ultralytics para entrenar modelos YOLOv5 en diferentes plataformas?

Ultralytics proporciona entornos listos para usar con dependencias preinstaladas como CUDA, CUDNN, Python, y PyTorchlo que facilita la puesta en marcha de sus proyectos de formación. Estos entornos están disponibles en varias plataformas como Google Cloud, AWS, Azure y Docker. También puede acceder a los cuadernos gratuitos de GPU a través de PaperspaceGoogle Colab y Kaggle. Para obtener instrucciones de configuración específicas, visita la sección Entornos compatibles de la documentación.

Creado hace 1 año ✏️ Actualizado hace 1 mes

Comentarios