Link to this sectionJeu de données Roboflow 100#

Roboflow 100, sponsorisé par Intel, est un jeu de données de référence révolutionnaire pour la détection d'objets. Il comprend 100 jeux de données variés. Ce benchmark est spécifiquement conçu pour tester l'adaptabilité des modèles de vision par ordinateur, comme les modèles Ultralytics YOLO, à divers domaines, notamment la santé, l'imagerie aérienne et les jeux vidéo.

Link to this sectionFonctionnalités clés#

• Domaines variés : Inclut 100 jeux de données répartis dans sept domaines distincts : Aérien, Jeux vidéo, Microscopique, Sous-marin, Documents, Électromagnétique et Monde réel.
• Échelle : Le benchmark comprend 224 714 images réparties sur 805 classes, représentant plus de 11 170 heures d'effort d'étiquetage de données.
• Standardisation : Toutes les images sont prétraitées et redimensionnées à 640x640 pixels pour une évaluation cohérente.
• Évaluation propre : Se concentre sur l'élimination de l'ambiguïté des classes et filtre les classes sous-représentées pour garantir une évaluation de modèle plus propre.
• Annotations : Inclut des boîtes englobantes pour les objets, adaptées à l'entraînement et à l'évaluation de modèles de détection d'objets en utilisant des métriques comme le mAP.

Link to this sectionStructure du jeu de données#

Le jeu de données Roboflow 100 est organisé en sept catégories, chacune contenant une collection unique de jeux de données, d'images et de classes :

• Aérien : 7 jeux de données, 9 683 images, 24 classes.
• Jeux vidéo : 7 jeux de données, 11 579 images, 88 classes.
• Microscopique : 11 jeux de données, 13 378 images, 28 classes.
• Sous-marin : 5 jeux de données, 18 003 images, 39 classes.
• Documents : 8 jeux de données, 24 813 images, 90 classes.
• Électromagnétique : 12 jeux de données, 36 381 images, 41 classes.
• Monde réel : 50 jeux de données, 110 615 images, 495 classes.

Cette structure offre un terrain de test vaste et varié pour les modèles de détection d'objets, reflétant un large éventail de scénarios d'application réels trouvés dans diverses Solutions Ultralytics.

Link to this sectionBenchmarking#

Le benchmarking de jeux de données consiste à évaluer les performances de modèles d'apprentissage automatique sur des jeux de données spécifiques en utilisant des métriques standardisées. Les métriques courantes incluent la précision, la moyenne de la précision moyenne (mAP) et le score F1. Tu peux en apprendre davantage à ce sujet dans notre guide des métriques de performance YOLO.

import os
import shutil
from pathlib import Path

from ultralytics.utils.benchmarks import RF100Benchmark

# Initialize RF100Benchmark and set API key
benchmark = RF100Benchmark()
benchmark.set_key(api_key="YOUR_ROBOFLOW_API_KEY")

# Parse dataset and define file paths
names, cfg_yamls = benchmark.parse_dataset()
val_log_file = Path("ultralytics-benchmarks") / "validation.txt"
eval_log_file = Path("ultralytics-benchmarks") / "evaluation.txt"

# Run benchmarks on each dataset in RF100
for ind, path in enumerate(cfg_yamls):
    path = Path(path)
    if path.exists():
        # Fix YAML file and run training
        benchmark.fix_yaml(str(path))
        os.system(f"yolo detect train data={path} model=yolo26s.pt epochs=1 batch=16")

        # Run validation and evaluate
        os.system(f"yolo detect val data={path} model=runs/detect/train/weights/best.pt > {val_log_file} 2>&1")
        benchmark.evaluate(str(path), str(val_log_file), str(eval_log_file), ind)

        # Remove the 'runs' directory
        runs_dir = Path.cwd() / "runs"
        shutil.rmtree(runs_dir)
    else:
        print("YAML file path does not exist")
        continue

print("RF100 Benchmarking completed!")

Link to this sectionApplications#

Roboflow 100 est inestimable pour diverses applications liées à la vision par ordinateur et à l'apprentissage profond. Les chercheurs et les ingénieurs peuvent tirer parti de ce benchmark pour :

• Évaluer la performance des modèles de détection d'objets dans un contexte multi-domaine.
• Tester l'adaptabilité et la robustesse des modèles face à des scénarios réels au-delà des jeux de données de référence courants comme COCO ou PASCAL VOC.
• Benchmarker les capacités des modèles de détection d'objets sur divers jeux de données, y compris des domaines spécialisés comme la santé, l'imagerie aérienne et les jeux vidéo.
• Comparer les performances des modèles entre différentes architectures de réseaux de neurones et techniques d'optimisation.
• Identifier les défis spécifiques à un domaine qui peuvent nécessiter des conseils d'entraînement de modèle spécialisés ou des approches de réglage fin comme l'apprentissage par transfert.

Pour plus d'idées et d'inspiration sur des applications réelles, explore nos guides sur les projets pratiques ou consulte la plateforme Ultralytics pour un entraînement et un déploiement de modèles simplifiés.

Link to this sectionUtilisation#

Le jeu de données Roboflow 100, incluant les métadonnées et les liens de téléchargement, est disponible sur le dépôt GitHub officiel de Roboflow 100. Tu peux accéder et utiliser le jeu de données directement à partir de là pour tes besoins de benchmarking. L'utilitaire Ultralytics RF100Benchmark simplifie le processus de téléchargement et de préparation de ces jeux de données pour une utilisation avec les modèles Ultralytics.

Link to this sectionDonnées d'échantillon et annotations#

Roboflow 100 se compose de jeux de données avec des images variées capturées sous différents angles et domaines. Tu trouveras ci-dessous des exemples d'images annotées incluses dans le benchmark RF100, montrant la variété des objets et des scènes. Des techniques comme l'augmentation de données peuvent encore améliorer la diversité lors de l'entraînement.

La diversité observée dans le benchmark Roboflow 100 représente une avancée significative par rapport aux benchmarks traditionnels, qui se concentrent souvent sur l'optimisation d'une seule métrique dans un domaine limité. Cette approche complète aide à développer des modèles de vision par ordinateur plus robustes et polyvalents, capables de bien fonctionner dans une multitude de scénarios différents.

Link to this sectionCitations et remerciements#

Si tu utilises le jeu de données Roboflow 100 dans tes travaux de recherche ou de développement, merci de citer l'article original :

@misc{rf100benchmark,
    Author = {Floriana Ciaglia and Francesco Saverio Zuppichini and Paul Guerrie and Mark McQuade and Jacob Solawetz},
    Title = {Roboflow 100: A Rich, Multi-Domain Object Detection Benchmark},
    Year = {2022},
    Eprint = {arXiv:2211.13523},
    url = {https://arxiv.org/abs/2211.13523}
}

Nous exprimons notre gratitude à l'équipe Roboflow et à tous les contributeurs pour leurs efforts significatifs dans la création et la maintenance du jeu de données Roboflow 100 en tant que ressource précieuse pour la communauté de la vision par ordinateur.

Si tu souhaites explorer d'autres jeux de données pour améliorer tes projets de détection d'objets et d'apprentissage automatique, n'hésite pas à visiter notre collection complète de jeux de données, qui inclut une variété d'autres jeux de données de détection.

Link to this sectionFAQ#

Link to this sectionQu'est-ce que le jeu de données Roboflow 100, et pourquoi est-il important pour la détection d'objets ?#

Le jeu de données Roboflow 100 est un benchmark pour les modèles de détection d'objets. Il comprend 100 jeux de données divers couvrant des domaines comme la santé, l'imagerie aérienne et les jeux vidéo. Son importance réside dans la fourniture d'un moyen standardisé de tester l'adaptabilité et la robustesse des modèles à travers un large éventail de scénarios réels, allant au-delà des benchmarks traditionnels, souvent limités à un seul domaine.

Link to this sectionQuels domaines sont couverts par le jeu de données Roboflow 100 ?#

Le jeu de données Roboflow 100 couvre sept domaines divers, offrant des défis uniques pour les modèles de détection d'objets :

1. Aérien : 7 jeux de données (ex: imagerie satellite, vues par drone).
2. Jeux vidéo : 7 jeux de données (ex: objets provenant de divers environnements de jeu).
3. Microscopique : 11 jeux de données (ex: cellules, particules).
4. Sous-marin : 5 jeux de données (ex: vie marine, objets immergés).
5. Documents : 8 jeux de données (ex: zones de texte, éléments de formulaires).
6. Électromagnétique : 12 jeux de données (ex: signatures radar, visualisations de données spectrales).
7. Monde réel : 50 jeux de données (une vaste catégorie incluant des objets du quotidien, des scènes, de la vente au détail, etc.).

Cette variété fait de RF100 une excellente ressource pour évaluer la généralisation des modèles de vision par ordinateur.

Link to this sectionQue dois-je inclure lors de la citation du jeu de données Roboflow 100 dans mes recherches ?#

Lorsque tu utilises le jeu de données Roboflow 100, merci de citer l'article original pour créditer les créateurs. Voici la citation BibTeX recommandée :

@misc{rf100benchmark,
    Author = {Floriana Ciaglia and Francesco Saverio Zuppichini and Paul Guerrie and Mark McQuade and Jacob Solawetz},
    Title = {Roboflow 100: A Rich, Multi-Domain Object Detection Benchmark},
    Year = {2022},
    Eprint = {arXiv:2211.13523},
    url = {https://arxiv.org/abs/2211.13523}
}

Pour une exploration plus approfondie, envisage de visiter notre collection complète de jeux de données ou de parcourir d'autres jeux de données de détection compatibles avec les modèles Ultralytics.