Roboflow Conjuntos de datos

Ahora puedes utilizar Roboflow para organizar, etiquetar, preparar, versionar y alojar tus conjuntos de datos para entrenar modelos YOLOv5 🚀. Roboflow se puede utilizar gratuitamente con YOLOv5 si haces público tu espacio de trabajo.

Sube

Puedes cargar tus datos en Roboflow a través de la interfaz web, la API REST o . Python.

Etiquetado

Después de cargar los datos en Roboflow, puedes etiquetar tus datos y revisar las etiquetas anteriores.

Versionado

Puedes hacer versiones de tu conjunto de datos con diferentes opciones de preprocesamiento y aumento fuera de línea. YOLOv5 realiza aumentos en línea de forma nativa, así que ten cuidado al superponer los aumentos fuera de línea de Roboflow.

Exportar 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. Puedes acceder al código aquí:

Aprendizaje activo

El mundo real es desordenado y tu modelo se encontrará invariablemente con situaciones que tu conjunto de datos no había previsto. Utilizar el aprendizaje activo es una estrategia importante para mejorar iterativamente tu conjunto de datos y tu modelo. Con la integración de Roboflow y YOLOv5 , puedes mejorar rápidamente tus despliegues de modelos utilizando una canalización de aprendizaje automático probada en la batalla.

Entornos compatibles

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

• Cuadernos gratuitos GPU:
• Google La 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) de las Acciones de GitHub deYOLOv5 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 con cada nueva confirmación.

PREGUNTAS FRECUENTES

¿Cómo puedo cargar datos en Roboflow para entrenar los modelos de YOLOv5 ?

Puedes cargar tus 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 tus preferencias técnicas o de los requisitos del proyecto. Una vez cargados tus datos, puedes organizarlos, etiquetarlos y versionarlos para prepararlos para el entrenamiento con los modelos Ultralytics YOLOv5 . Para más detalles, visita la sección Cargar de la documentación.

¿Cuáles son las ventajas de utilizar Roboflow para etiquetar y versionar datos?

Roboflow proporciona una plataforma completa para la organización, el etiquetado y el versionado de datos, que es esencial para los flujos de trabajo eficientes del aprendizaje automático. Utilizando Roboflow con YOLOv5, puedes agilizar el proceso de preparación del conjunto de datos, asegurándote de que tus datos están anotados con precisión y versionados de forma coherente. La plataforma también admite varias opciones de preprocesamiento y aumento fuera de línea para mejorar la calidad de tu conjunto de datos. Para profundizar en estas funciones, consulta las secciones Etiquetado y Versionado de la documentación.

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

Exportar tu conjunto de datos del formato Roboflow al formato YOLOv5 es sencillo. Puedes utilizar el fragmento de código Python proporcionado 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 tu conjunto de datos en un formato compatible con YOLOv5, lo que te permitirá empezar rápidamente a entrenar tu modelo. Para más detalles, consulta la sección Exportar 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 seleccionando inteligentemente los puntos de datos más informativos para etiquetar. Con la integración de Roboflow y YOLOv5 , puedes aplicar el aprendizaje activo para mejorar continuamente el rendimiento de tu 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, consulta la sección anterior 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 PyTorch, lo que facilita la puesta en marcha de tus proyectos de formación. Estos entornos están disponibles en varias plataformas como Google Cloud, AWS, Azure y Docker. También puedes acceder gratuitamente a los cuadernos GPU a través de PaperspaceGoogle Colab y Kaggle. Para obtener instrucciones de configuración específicas, visita la sección Entornos compatibles de la documentación.

Comentarios