Roboflow#

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

Ce guide montre comment trouver, étiqueter et organiser des données pour entraîner un modèle Ultralytics YOLO26 personnalisé en utilisant Roboflow.

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

Collecter des données pour l'entraînement d'un modèle YOLO26 personnalisé#

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

Roboflow Universe#

Roboflow Universe est un dépôt en ligne de jeux de données de vision. Tu peux exporter des 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 permettant la collecte automatique d'images via une webcam sur des appareils Edge. Tu peux utiliser des invites textuelles ou des images pour spécifier les données à collecter, ce qui t'aide à ne capturer que les images nécessaires à ton modèle de vision.

Télécharger, convertir et étiqueter les données pour le 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 pour un modèle YOLO d'Ultralytics, crée un projet dans Roboflow, importe tes images et commence l'annotation.

Outils d'annotation#

• Annotation de 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 les points autour de l'objet pour dessiner le polygone.

Assistant d'étiquetage (Intégration SAM)#

Roboflow intègre un assistant d'étiquetage basé sur le Segment Anything Model (SAM) pour potentiellement accélérer l'annotation.

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

Survole un objet, et SAM pourra te suggérer une annotation. Clique pour accepter l'annotation. Tu peux affiner la spécificité de l'annotation en cliquant à l'intérieur ou à l'extérieur de la zone suggérée.

Étiquetage (Tagging)#

Tu peux ajouter des tags aux images en utilisant le panneau Tags dans la barre latérale. Les tags peuvent représenter des attributs tels que l'emplacement, la source de la caméra, etc. Ces tags te permettent de rechercher des images spécifiques et de générer des versions de jeux de données contenant des images avec des tags particuliers.

Aide à l'étiquetage (basée sur un modèle)#

Les modèles hébergés sur Roboflow peuvent être utilisés avec l'Aide à l'étiquetage pour suggérer des annotations. Télécharge les poids de ton modèle YOLO sur Roboflow (vois les instructions ci-dessous), puis active l'Aide à l'étiquetage 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 de jeux de données#

Utilise la recherche de jeux de données pour trouver des images basées sur des descriptions textuelles ou des étiquettes/tags spécifiques. Accède à cette fonctionnalité en cliquant sur "Dataset" dans la barre latérale.

Vérification de santé#

Avant l'entraînement, utilise le Health Check de Roboflow pour obtenir des informations sur ton jeu de données et identifier des améliorations potentielles. Accède-y via le lien "Health Check" de la barre latérale. Il fournit des statistiques sur la taille des images, l'équilibre des classes, les cartes de chaleur d'annotation, et plus encore.

Health Check peut suggérer des modifications pour améliorer les performances, comme la résolution des déséquilibres de classes identifiés dans la fonctionnalité d'équilibre des classes. Comprendre la santé du jeu de données est crucial pour l'entraînement des modèles de manière efficace.

Prétraiter et augmenter les données pour la robustesse du modèle#

Pour exporter tes données, tu dois créer une version de jeu de données, qui est un instantané de ton jeu de données à un moment précis. Clique sur "Versions" dans la barre latérale, puis sur "Create New Version". Ici, tu peux appliquer des étapes de prétraitement et des augmentations de données pour potentiellement améliorer la robustesse du modèle.

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

Exporter les données dans plus de 40 formats pour l'entraînement du modèle#

Une fois ta version de jeu de données générée, tu peux l'exporter dans divers formats adaptés à l'entraînement du modèle. Clique sur le bouton "Export Dataset" sur la page de version.

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

Télécharger les poids personnalisés du modèle YOLO26 pour les tests et le déploiement#

Roboflow offre 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 basés sur GPU. Explore diverses options de déploiement de modèles dans nos guides.

Tu peux déployer des modèles YOLO26 en important leurs poids sur 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 spécifiques à ton compte Roboflow, ton projet et ton répertoire de résultats d'entraînement local. Assure-toi 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 via une clé API). Ensuite, ton modèle sera téléchargé et un point de terminaison API sera créé pour ton projet. Ce processus peut prendre jusqu'à 30 minutes.

Pour tester ton modèle et trouver les instructions de déploiement pour les SDK pris en charge, va dans l'onglet "Deploy" dans la barre latérale de Roboflow. En haut de cette page, un widget apparaîtra te permettant de tester ton modèle à l'aide de ta webcam ou en téléchargeant des images ou des vidéos.

Ton modèle téléchargé peut également être utilisé comme assistant d'étiquetage, suggérant des annotations sur de nouvelles images basées sur son entraînement.

Comment évaluer les modèles YOLO26#

Roboflow fournit des fonctionnalités pour évaluer les performances des modèles. Comprendre les métriques de performance est crucial pour l'itération des modèles.

Après avoir téléchargé un modèle, accède à l'outil d'évaluation du modèle via ta page de modèle sur 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 des embeddings CLIP. Ces fonctionnalités aident à identifier les domaines à améliorer pour le modèle.

La fenêtre contextuelle de la matrice de confusion :

Survole les cellules pour voir les valeurs, et clique sur les cellules pour voir les images correspondantes avec les prédictions du modèle et les données de vérité terrain.

Clique sur "Vector Analysis" pour un nuage de points visualisant la similarité des images basée sur les embeddings CLIP. Les images plus proches sont sémantiquement similaires. Les points représentent les images, colorées du blanc (bonnes performances) au rouge (mauvaises performances).

L'analyse vectorielle aide à :

• Identifier les clusters d'images.
• Localiser les clusters où le modèle est peu performant.
• Comprendre les points communs entre les images causant de mauvaises performances.

Ressources d'apprentissage#

• Entraîner YOLO sur un jeu de données personnalisé (Colab) : Notebook Google Colab interactif pour s'entraîner sur tes données.
• Documentation d'Ultralytics YOLO : Entraînement, exportation et déploiement de modèles YOLO.
• Blog d'Ultralytics : Articles sur la vision par ordinateur et l'entraînement de modèles.
• YouTube d'Ultralytics : Guides vidéo sur l'entraînement et le déploiement de modèles.

FAQ#