Roboflow

Roboflow has everything you need to build and deploy computer vision models. Connect Roboflow at any step in your pipeline with APIs and SDKs, or use the end-to-end interface to automate the entire process from image to inference. Whether you're in need of data labeling, model training, or model deployment, Roboflow gives you building blocks to bring custom computer vision solutions to your project.

In this guide, we are going to showcase how to find, label, and organize data for use in training a custom Ultralytics YOLO11 model. Use the table of contents below to jump directly to a specific section:

• Gather data for training a custom YOLO11 model
• Upload, convert and label data for YOLO11 format
• Prétraiter et augmenter les données pour assurer la robustesse du modèle
• Dataset management for YOLO11
• Exporte les données dans plus de 40 formats pour l'entraînement des modèles
• Upload custom YOLO11 model weights for testing and deployment
• Gather Data for Training a Custom YOLO11 Model

Roboflow provides two services that can help you collect data for YOLO11 models: Universe and Collect.

Universe est un référentiel en ligne qui contient plus de 250 000 ensembles de données de vision totalisant plus de 100 millions d'images.

Avec un compte Roboflow gratuit, tu peux exporter n'importe quel jeu de données disponible sur Universe. Pour exporter un jeu de données, clique sur le bouton "Télécharger ce jeu de données" sur n'importe quel jeu de données.

For YOLO11, select "YOLO11" as the export format:

Universe also has a page that aggregates all public fine-tuned YOLO11 models uploaded to Roboflow. You can use this page to explore pre-trained models you can use for testing or for automated data labeling or to prototype with Roboflow inference.

Si tu veux recueillir des images toi-même, essaie Collect, un projet open source qui te permet de recueillir automatiquement des images à l'aide d'une webcam sur le bord. Tu peux utiliser des messages-guides sous forme de texte ou d'image avec Collect pour indiquer quelles données doivent être collectées, ce qui te permet de ne capturer que les données utiles dont tu as besoin pour construire ton modèle de vision.

Upload, Convert and Label Data for YOLO11 Format

Roboflow Annotate is an online annotation tool for use in labeling images for object detection, classification, and segmentation.

To label data for a YOLO11 object detection, instance segmentation, or classification model, first create a project in Roboflow.

Ensuite, télécharge tes images et toutes les annotations préexistantes provenant d'autres outils(en utilisant l'un des 40+ formats d'importation pris en charge) dans Roboflow.

Sélectionne le lot d'images que tu as téléchargé sur la page Annoter à laquelle tu es conduit après avoir téléchargé des images. Puis, clique sur "Commencer à annoter" pour étiqueter les images.

Pour étiqueter avec des boîtes de délimitation, appuie sur la touche B key on your keyboard or click the box icon in the sidebar. Click on a point where you want to start your bounding box, then drag to create the box:

Un pop-up apparaîtra pour te demander de sélectionner une classe pour ton annotation une fois que tu auras créé une annotation.

Pour étiqueter avec des polygones, appuie sur la touche P de ton clavier, ou l'icône de polygone dans la barre latérale. Lorsque l'outil d'annotation polygonale est activé, clique sur des points individuels de l'image pour dessiner un polygone.

Roboflow propose un assistant d'étiquetage basé sur SAM qui te permet d'étiqueter des images plus rapidement que jamais. SAM (Segment Anything Model) est un modèle de vision par ordinateur de pointe qui permet d'étiqueter les images avec précision. Avec SAM, tu peux accélérer considérablement le processus d'étiquetage des images. Annoter des images avec des polygones devient aussi simple que quelques clics, au lieu du processus fastidieux qui consiste à cliquer précisément des points autour d'un objet.

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

Passe le curseur sur n'importe quel objet de l'image et SAM te recommandera une annotation. Tu peux survoler pour trouver le bon endroit à annoter, puis cliquer pour créer ton annotation. Pour modifier ton annotation et la rendre plus ou moins spécifique, tu peux cliquer à l'intérieur ou à l'extérieur de l'annotation que SAM a créée sur le document.

Tu peux également ajouter des balises aux images à partir du panneau des balises dans la barre latérale. Tu peux appliquer des balises à des données provenant d'une zone particulière, prises à partir d'un appareil photo spécifique, et plus encore. Tu peux ensuite utiliser ces étiquettes pour rechercher dans les données les images correspondant à une étiquette et générer des versions d'un ensemble de données avec des images qui contiennent une étiquette particulière ou un ensemble d'étiquettes.

Models hosted on Roboflow can be used with Label Assist, an automated annotation tool that uses your YOLO11 model to recommend annotations. To use Label Assist, first upload a YOLO11 model to Roboflow (see instructions later in the guide). Then, click the magic wand icon in the left sidebar and select your model for use in Label Assist.

Choisis un modèle, puis clique sur "Continuer" pour activer l'assistance à l'étiquetage :

Lorsque tu ouvres de nouvelles images à annoter, Label Assist déclenche et recommande des annotations.

Dataset Management for YOLO11

Roboflow fournit une suite d'outils pour comprendre les ensembles de données de vision par ordinateur.

Tout d'abord, tu peux utiliser la recherche d'ensembles de données pour trouver des images qui répondent à une description sémantique (c'est-à-dire trouver toutes les images qui contiennent des personnes), ou qui répondent à une étiquette spécifiée (c'est-à-dire que l'image est associée à un tag spécifique). Pour utiliser la recherche de jeux de données, clique sur "Jeux de données" dans la barre latérale. Saisis ensuite une requête de recherche à l'aide de la barre de recherche et des filtres associés en haut de la page.

Par exemple, la requête textuelle suivante permet de trouver des images qui contiennent des personnes dans un ensemble de données :

Tu peux restreindre ta recherche aux images comportant un tag particulier en utilisant le sélecteur "Tags" :

Avant de commencer à former un modèle avec ton jeu de données, nous te recommandons d'utiliser Roboflow Health Check, un outil Web qui donne un aperçu de ton jeu de données et de la façon dont tu peux l'améliorer avant de former un modèle de vision.

Pour utiliser le bilan de santé, clique sur le lien "Bilan de santé" dans la barre latérale. Une liste de statistiques apparaîtra, indiquant la taille moyenne des images de ton jeu de données, l'équilibre des classes, une carte thermique de l'emplacement des annotations dans tes images, et bien plus encore.

Le bilan de santé peut recommander des changements pour améliorer les performances du jeu de données. Par exemple, la fonction d'équilibre des classes peut montrer qu'il y a un déséquilibre dans les étiquettes qui, s'il est résolu, peut augmenter les performances ou ton modèle.

Exporter les données dans plus de 40 formats pour la formation au modèle

Pour exporter tes données, tu auras besoin d'une version du jeu de données. Une version est un état de ton jeu de données figé dans le temps. Pour créer une version, clique d'abord sur "Versions" dans la barre latérale. Ensuite, clique sur le bouton "Créer une nouvelle version". Sur cette page, tu pourras choisir les augmentations et les étapes de prétraitement à appliquer à ton jeu de données :

Pour chaque augmentation que tu sélectionnes, une fenêtre contextuelle apparaît pour te permettre de régler l'augmentation en fonction de tes besoins. Voici un exemple de réglage d'une augmentation de la luminosité selon des paramètres précis :

Lorsque la version de ton jeu de données a été générée, tu peux exporter tes données dans différents formats. Clique sur le bouton "Exporter le jeu de données" sur la page de la version de ton jeu de données pour exporter tes données :

You are now ready to train YOLO11 on a custom dataset. Follow this written guide and YouTube video for step-by-step instructions or refer to the Ultralytics documentation.

Upload Custom YOLO11 Model Weights for Testing and Deployment

Roboflow offre une API extensible à l'infini pour les modèles déployés et des SDK à utiliser avec NVIDIA Jetsons, Luxonis OAKs, Raspberry Pis, GPU-based devices, et bien plus encore.

You can deploy YOLO11 models by uploading YOLO11 weights to Roboflow. You can do this in a few lines of Python code. Create a new Python file and add the following code:

import roboflow  # install with 'pip install roboflow'

roboflow.login()

rf = roboflow.Roboflow()

project = rf.workspace(WORKSPACE_ID).project("football-players-detection-3zvbc")
dataset = project.version(VERSION).download("yolov8")

project.version(dataset.version).deploy(model_type="yolov8", model_path=f"{HOME}/runs/detect/train/")

Dans ce code, remplace l'identifiant du projet et l'identifiant de la version par les valeurs de ton compte et de ton projet. Apprends à récupérer ta clé API Roboflow .

Lorsque tu exécuteras le code ci-dessus, il te sera demandé de t'authentifier. Ensuite, ton modèle sera téléchargé et une API sera créée pour ton projet. Ce processus peut prendre jusqu'à 30 minutes.

Pour tester ton modèle et trouver des instructions de déploiement pour les SDK pris en charge, va sur l'onglet "Déployer" dans la barre latérale Roboflow . En haut de cette page, un widget apparaîtra avec lequel tu pourras tester ton modèle. Tu peux utiliser ta webcam pour les tests en direct ou télécharger des images ou des vidéos.

Tu peux aussi utiliser ton modèle téléchargé comme assistant d'étiquetage. Cette fonction utilise ton modèle entraîné pour recommander des annotations sur les images téléchargées sur Roboflow.

How to Evaluate YOLO11 Models

Roboflow fournit une série de caractéristiques à utiliser pour évaluer les modèles.

Once you have uploaded a model to Roboflow, you can access our model evaluation tool, which provides a confusion matrix showing the performance of your model as well as an interactive vector analysis plot. These features can help you find opportunities to improve your model.

Pour accéder à une matrice de confusion, va sur la page de ton modèle sur le tableau de bord Roboflow , puis clique sur "Voir l'évaluation détaillée" :

Une fenêtre contextuelle s'affiche et présente une matrice de confusion :

Passe le curseur sur une case de la matrice de confusion pour voir la valeur associée à la case. Clique sur une case pour voir les images de la catégorie correspondante. Clique sur une image pour voir les prédictions du modèle et les données de vérité terrain associées à cette image.

Pour en savoir plus, clique sur Analyse vectorielle. Tu verras alors un diagramme de dispersion des images de ton ensemble de données, calculé à l'aide de CLIP. Plus les images sont proches dans le diagramme, plus elles sont similaires d'un point de vue sémantique. Chaque image est représentée par un point d'une couleur comprise entre le blanc et le rouge. Plus le point est rouge, moins le modèle est performant.

Tu peux utiliser l'analyse vectorielle pour :

• Trouve des groupes d'images ;
• Identifie les grappes où le modèle est peu performant, et ;
• Visualise les points communs entre les images sur lesquelles le modèle est peu performant.

Ressources pédagogiques

Want to learn more about using Roboflow for creating YOLO11 models? The following resources may be helpful in your work.

• Train YOLO11 on a Custom Dataset: Follow our interactive notebook that shows you how to train a YOLO11 model on a custom dataset.
• Autodistill: Use large foundation vision models to label data for specific models. You can label images for use in training YOLO11 classification, detection, and segmentation models with Autodistill.
• Supervision: Un paquetage Python avec des utilitaires utiles pour travailler avec des modèles de vision par ordinateur. Tu peux utiliser la supervision pour filtrer les détections, calculer les matrices de confusion, et plus encore, le tout en quelques lignes de code Python .
• Roboflow Blog: The Roboflow Blog features over 500 articles on computer vision, covering topics from how to train a YOLO11 model to annotation best practices.
• Roboflow YouTube channel: Browse dozens of in-depth computer vision guides on our YouTube channel, covering topics from training YOLO11 models to automated image labeling.

Présentation du projet

Below are a few of the many pieces of feedback we have received for using YOLO11 and Roboflow together to create computer vision models.

FAQ

How do I label data for YOLO11 models using Roboflow?

Labeling data for YOLO11 models using Roboflow is straightforward with Roboflow Annotate. First, create a project on Roboflow and upload your images. After uploading, select the batch of images and click "Start Annotating." You can use the B pour les boîtes de délimitation ou la touche P pour les polygones. Pour une annotation plus rapide, utilise l'assistant d'étiquetage basé sur SAM en cliquant sur l'icône du curseur dans la barre latérale. Les étapes détaillées peuvent être trouvées ici.

What services does Roboflow offer for collecting YOLO11 training data?

Roboflow provides two key services for collecting YOLO11 training data: Universe and Collect. Universe offers access to over 250,000 vision datasets, while Collect helps you gather images using a webcam and automated prompts.

How can I manage and analyze my YOLO11 dataset using Roboflow?

Roboflow offers robust dataset management tools, including dataset search, tagging, and Health Check. Use the search feature to find images based on text descriptions or tags. Health Check provides insights into dataset quality, showing class balance, image sizes, and annotation heatmaps. This helps optimize dataset performance before training YOLO11 models. Detailed information can be found here.

How do I export my YOLO11 dataset from Roboflow?

To export your YOLO11 dataset from Roboflow, you need to create a dataset version. Click "Versions" in the sidebar, then "Create New Version" and apply any desired augmentations. Once the version is generated, click "Export Dataset" and choose the YOLO11 format. Follow this process here.

How can I integrate and deploy YOLO11 models with Roboflow?

Integrate and deploy YOLO11 models on Roboflow by uploading your YOLO11 weights through a few lines of Python code. Use the provided script to authenticate and upload your model, which will create an API for deployment. For details on the script and further instructions, see this section.

What tools does Roboflow provide for evaluating YOLO11 models?

Roboflow offre des outils d'évaluation des modèles, y compris une matrice de confusion et des graphiques d'analyse vectorielle. Accède à ces outils à partir du bouton "Voir l'évaluation détaillée" sur la page de ton modèle. Ces fonctionnalités permettent d'identifier les problèmes de performance du modèle et de trouver des pistes d'amélioration. Pour plus d'informations, reporte-toi à cette section.

📅 Created 11 months ago ✏️ Updated 10 days ago

Commentaires