Roboflow#

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

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

• Collecter des données pour l’entraînement
• Annoter les données
• Gestion des 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 dépôt en ligne de jeux de données de vision par ordinateur. 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 qui permet de collecter automatiquement des images à l’aide d’une webcam sur des appareils edge. Tu peux utiliser des invites textuelles ou des images pour préciser les données à collecter et ainsi ne capturer que les images nécessaires à ton modèle de vision.

Télécharger, convertir et annoter des données au format YOLO26#

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

Pour annoter des données destinées à un modèle YOLO d’Ultralytics, crée un projet dans Roboflow, télécharge tes images et commence l’annotation.

Outils d’annotation#

• Annotation par boîtes englobantes : appuie sur B ou clique sur l’icône de boîte. Clique et fais glisser le curseur pour créer la boîte englobante. Une fenêtre contextuelle t’invitera à sélectionner une classe pour l’annotation.
• Annotation par polygones : cette méthode sert à 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’annotation (intégration de SAM)#

Roboflow intègre un assistant d’annotation basé sur le modèle Segment Anything (SAM), qui peut accélérer l’annotation.

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

Passe le curseur sur un objet ; SAM peut proposer une annotation. Clique pour accepter l’annotation. Tu peux préciser l’annotation en cliquant à l’intérieur ou à l’extérieur de la zone suggérée.

Étiquetage#

Tu peux ajouter des étiquettes aux images à l’aide du panneau Tags dans la barre latérale. Les étiquettes peuvent représenter des attributs comme l’emplacement ou la source de la caméra. Elles te permettent de rechercher des images précises et de générer des versions de jeux de données contenant des images associées à certaines étiquettes.

Assistant d’annotation (basé sur un modèle)#

Tu peux utiliser les modèles hébergés sur Roboflow avec Label Assist pour suggérer des annotations. Télécharge les poids de ton modèle YOLO sur Roboflow (voir les instructions ci-dessous), puis active Label Assist en cliquant sur 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 précises. Accède à cette fonctionnalité en cliquant sur « Dataset » dans la barre latérale.

Vérification de l’état#

Avant l’entraînement, utilise Roboflow Health Check pour mieux comprendre ton jeu de données et repérer les améliorations possibles. Accède à cet outil depuis le lien « Health Check » dans la barre latérale. Il fournit des statistiques sur la taille des images, l’équilibre des classes, les cartes thermiques des annotations et bien plus.

Health Check peut suggérer des modifications pour améliorer les performances, par exemple en corrigeant les déséquilibres de classes détectés par la fonctionnalité d’équilibre des classes. Comprendre l’état de ton 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 du jeu de données, c’est-à-dire un instantané de celui-ci 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 pour éventuellement renforcer la robustesse du modèle.

Pour chaque augmentation sélectionnée, une fenêtre contextuelle te permet d’ajuster finement ses paramètres, comme la luminosité. Des augmentations adaptées peuvent considérablement améliorer la capacité de généralisation du modèle, un concept clé abordé dans notre guide de conseils sur l’entraînement des modèles.

Exporter les 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 peux maintenant 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 le jeu de données exporté.

Télécharger les poids d’un modèle YOLO26 personnalisé pour le tester et le déployer#

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 différentes options de déploiement de modèles dans nos guides.

Tu peux déployer des modèles YOLO26 en téléchargeant 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 propres à ton compte Roboflow, à ton projet et au répertoire local contenant les résultats de l’entraînement. Vérifie que MODEL_PATH pointe bien vers le répertoire contenant ton fichier de poids entraîné best.pt.

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 téléversé et un point de terminaison API sera créé pour ton projet. Cette opération peut prendre jusqu’à 30 minutes.

Pour tester ton modèle et consulter les instructions de déploiement des SDK pris en charge, accède à l’onglet « Deploy » dans la barre latérale de Roboflow. Un widget s’affichera en haut de cette page pour te permettre de tester ton modèle avec ta webcam ou en téléversant des images ou des vidéos.

Tu peux également utiliser ton modèle téléversé comme assistant d’annotation, qui suggère des annotations pour de nouvelles images en fonction de son entraînement.

Comment évaluer les modèles YOLO26#

Roboflow propose des fonctionnalités pour évaluer les performances des modèles. Comprendre les métriques de performance est essentiel pour améliorer les modèles de manière itérative.

Après avoir téléversé 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 basé sur les plongements CLIP. Ces fonctionnalités t’aident à repérer les pistes d’amélioration 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 à partir des plongements CLIP. Les images proches les unes des autres sont sémantiquement similaires. Les points représentent les images et leur couleur va du blanc (bonnes performances) au rouge (mauvaises performances).

L’analyse vectorielle t’aide à :

• Repérer les groupes d’images.
• Repérer les groupes pour lesquels le modèle est peu performant.
• Comprendre les caractéristiques communes des images qui entraînent de mauvaises performances.

Ressources pédagogiques#

• Entraîner YOLO sur un jeu de données personnalisé (Colab) : notebook interactif Google Colab pour entraîner un modèle avec 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.
• Chaîne YouTube d’Ultralytics : guides vidéo sur l’entraînement et le déploiement des modèles.

FAQ#