Roboflow#

Roboflow fournit des outils d'étiquetage des données et d'exportation de jeux de données dans différents formats, notamment YOLO. Ce guide couvre l'étiquetage, l'exportation et le déploiement de données pour les modèles Ultralytics YOLO.

Ce guide explique comment trouver, étiqueter et organiser des données pour entraîner un modèle Ultralytics YOLO26 personnalisé avec Roboflow.

• Collecter des données pour l'entraînement
• Étiqueter les données
• Gérer les jeux de données
• Exporter les données
• Déployer les modèles
• Évaluer les modèles
• FAQ

Collecter des données pour entraîner un modèle YOLO26 personnalisé#

Roboflow propose deux services principaux pour faciliter la collecte de données pour les modèles YOLO d'Ultralytics : Universe et Collect. Pour obtenir des informations plus générales sur les stratégies de collecte de données, consulte notre guide sur la collecte et l'annotation des données.

Roboflow Universe#

Roboflow Universe est un référentiel en ligne de jeux de données de vision. Tu peux exporter les jeux de données au format YOLO pour les utiliser avec les modèles Ultralytics.

Roboflow Collect#

Si tu préfères collecter toi-même les images, Roboflow Collect est un projet open source qui permet de collecter automatiquement des images via une webcam sur des appareils edge. Tu peux utiliser des invites textuelles ou visuelles pour spécifier les données à collecter, afin de ne capturer que les images nécessaires à ton modèle de vision.

Importer, convertir et étiqueter des données au format YOLO26#

Roboflow Annotate est un outil en ligne permettant d'étiqueter des images pour diverses tâches de vision par ordinateur, notamment la détection d'objets, la classification et la segmentation.

Pour étiqueter des données destinées à un modèle YOLO d'Ultralytics, crée un projet dans Roboflow, importe tes images, puis commence l'annotation.

Outils d’annotation#

• Annotation par boîte englobante : appuie sur B ou clique sur l'icône de boîte. Clique et fais glisser pour créer la boîte englobante. Une fenêtre contextuelle t'invitera à sélectionner une classe pour l'annotation.
• Annotation par polygone : utilisée pour la segmentation d'instances. Appuie sur P ou clique sur l'icône de polygone. Clique sur des points autour de l'objet pour dessiner le polygone.

Assistant d'étiquetage (intégration de SAM)#

Roboflow intègre un assistant d'étiquetage basé sur un modèle de segmentation universelle (SAM) afin d'accélérer potentiellement l'annotation.

Pour utiliser l'assistant d'étiquetage, clique sur l'icône du curseur dans la barre latérale. SAM sera activé pour ton projet.

Place le curseur sur un objet : SAM peut proposer une annotation. Clique pour accepter l'annotation. Tu peux affiner sa précision en cliquant à l'intérieur ou à l'extérieur de la zone suggérée.

Étiquettes#

Tu peux ajouter des étiquettes aux images à l'aide du panneau Tags dans la barre latérale. Les étiquettes peuvent représenter des attributs tels que l'emplacement, la source de la caméra, etc. Elles te permettent de rechercher des images spécifiques et de générer des versions de jeux de données contenant des images associées à certaines étiquettes.

Label Assist (basé sur un modèle)#

Les modèles hébergés sur Roboflow peuvent être utilisés avec Label Assist pour suggérer des annotations. Importe les poids de ton modèle YOLO dans Roboflow (voir les instructions ci-dessous), puis active Label Assist via l'icône de baguette magique dans la barre latérale.

Gestion des jeux de données pour YOLO26#

Roboflow fournit plusieurs outils pour comprendre et gérer tes jeux de données de vision par ordinateur.

Recherche dans les jeux de données#

Utilise la recherche dans les jeux de données pour trouver des images à partir de descriptions textuelles ou d'étiquettes spécifiques. Accède à cette fonctionnalité en cliquant sur « Dataset » dans la barre latérale.

Health Check#

Avant l'entraînement, utilise Roboflow Health Check pour obtenir des informations sur ton jeu de données et identifier les améliorations possibles. Accède à cet outil via le lien « Health Check » de la barre latérale. Il fournit des statistiques sur la taille des images, l'équilibre des classes, les cartes thermiques des annotations, etc.

Health Check peut suggérer des modifications pour améliorer les performances, par exemple en corrigeant les déséquilibres de classes identifiés dans la fonctionnalité d'équilibre des classes. Comprendre l'état de santé du jeu de données est essentiel pour un entraînement efficace du modèle.

Prétraiter et augmenter les données pour renforcer la robustesse du modèle#

Pour exporter tes données, tu dois créer une version de jeu de données, c'est-à-dire un instantané de ton jeu de données à un moment précis. Clique sur « Versions » dans la barre latérale, puis sur « Create New Version ». Tu peux alors appliquer des étapes de prétraitement et des augmentations de données afin de renforcer potentiellement la robustesse du modèle.

Pour chaque augmentation sélectionnée, une fenêtre contextuelle te permet d'affiner ses paramètres, comme la luminosité. Une augmentation appropriée peut améliorer considérablement la généralisation du modèle, un concept clé abordé dans notre guide de conseils pour l'entraînement des modèles.

Exporter des données dans plus de 40 formats pour l'entraînement des modèles#

Une fois la version de ton jeu de données générée, tu peux l'exporter dans différents formats adaptés à l'entraînement des modèles. Clique sur le bouton « Export Dataset » sur la page de la version.

Sélectionne le format « YOLO26 » pour assurer la compatibilité avec les pipelines d'entraînement Ultralytics. Tu es maintenant prêt à entraîner ton modèle YOLO26 personnalisé. Consulte la documentation du mode Train d'Ultralytics pour obtenir des instructions détaillées sur le lancement de l'entraînement avec ton jeu de données exporté.

Importer les poids d'un modèle YOLO26 personnalisé pour les tests et le déploiement#

Roboflow propose une API évolutive pour les modèles déployés et des SDK compatibles avec des appareils tels que NVIDIA Jetson, Luxonis OAK, Raspberry Pi et les systèmes équipés d'un GPU. Découvre les différentes options de déploiement des modèles dans nos guides.

Tu peux déployer des modèles YOLO26 en important leurs poids dans Roboflow à l'aide d'un simple script Python.

Crée un nouveau fichier Python et ajoute le code suivant :

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.")

Dans ce code, remplace your-workspace-id, your-project-id, le nombre VERSION et MODEL_PATH par les valeurs propres à ton compte Roboflow, à ton projet et au répertoire local contenant les résultats de l'entraînement. Vérifie que MODEL_PATH pointe correctement vers le répertoire contenant ton fichier de poids best.pt entraîné.

Lorsque tu exécutes le code ci-dessus, tu seras invité à t'authentifier (généralement à l'aide d'une clé API). Ton modèle sera ensuite importé et un endpoint d'API sera créé pour ton projet. Ce processus peut prendre jusqu'à 30 minutes.

Pour tester ton modèle et trouver les instructions de déploiement des SDK pris en charge, accède à l'onglet « Deploy » dans la barre latérale de Roboflow. En haut de cette page, un widget te permettra de tester ton modèle à l'aide de ta webcam ou en important des images ou des vidéos.

Ton modèle importé peut également servir d'assistant d'étiquetage et suggérer des annotations sur de nouvelles images en fonction de son entraînement.

Comment évaluer les modèles YOLO26#

Roboflow fournit des fonctionnalités pour évaluer les performances des modèles. Comprendre les métriques de performance est essentiel pour faire évoluer un modèle.

Après avoir importé un modèle, accède à l'outil d'évaluation depuis la page de ton modèle dans le tableau de bord Roboflow. Clique sur « View Detailed Evaluation ».

Cet outil affiche une matrice de confusion illustrant les performances du modèle ainsi qu'un graphique interactif d'analyse vectorielle utilisant les représentations CLIP. Ces fonctionnalités aident à identifier les points à améliorer du modèle.

La fenêtre contextuelle de la matrice de confusion :

Survole les cellules pour voir leurs valeurs et clique dessus pour afficher les images correspondantes avec les prédictions du modèle et les données de vérité terrain.

Clique sur « Vector Analysis » pour afficher un nuage de points représentant la similarité des images sur la base des représentations CLIP. Les images proches les unes des autres sont sémantiquement similaires. Les points représentent les images et vont du blanc (bonnes performances) au rouge (mauvaises performances).

L'analyse vectorielle aide à :

• Identifier les groupes d'images.
• Repérer les groupes dans lesquels le modèle obtient de mauvaises performances.
• Comprendre les points communs entre les images à l'origine des mauvaises performances.

Ressources d'apprentissage#

• Entraîner YOLO sur un jeu de données personnalisé (Colab) : notebook Google Colab interactif pour entraîner un modèle sur tes données.
• Documentation Ultralytics YOLO : entraînement, exportation et déploiement de modèles YOLO.
• Blog Ultralytics : articles sur la vision par ordinateur et l'entraînement des modèles.
• YouTube Ultralytics : guides vidéo sur l'entraînement et le déploiement des modèles.

FAQ#