Roboflow Ensembles de données
Vous pouvez désormais utiliser Roboflow pour organiser, étiqueter, préparer, versionner et héberger vos ensembles de données pour l'entraînement des modèles YOLOv5 🚀. Roboflow peut être utilisé gratuitement avec YOLOv5 si vous rendez votre espace de travail public.
Licences
Ultralytics offre deux options de licence :
- La licenceAGPL-3.0 , une licence open-source approuvée par l'OSI, idéale pour les étudiants et les passionnés.
- La licence Entreprise pour les entreprises qui souhaitent intégrer nos modèles d'IA dans leurs produits et services.
Pour plus de détails, voir Ultralytics Licences.
Télécharger
Vous pouvez télécharger vos données vers Roboflow via l'interface web, l'API REST ou Python.
Étiquetage
Après avoir téléchargé des données sur Roboflow, vous pouvez étiqueter vos données et revoir les étiquettes précédentes.
Versionnement
Vous pouvez créer des versions de votre ensemble de données avec différentes options de prétraitement et d'augmentation hors ligne. YOLOv5 effectue des augmentations en ligne de manière native, soyez donc attentif lorsque vous superposez les augmentations hors ligne de Roboflow.
Exportation de données
Vous pouvez télécharger vos données au format YOLOv5 pour commencer rapidement votre formation.
from roboflow import Roboflow
rf = Roboflow(api_key="YOUR API KEY HERE")
project = rf.workspace().project("YOUR PROJECT")
dataset = project.version("YOUR VERSION").download("yolov5")
Formation sur mesure
Nous avons publié un didacticiel de formation personnalisé démontrant toutes les capacités susmentionnées. Vous pouvez accéder au code ici :
Apprentissage actif
Le monde réel est désordonné et votre modèle rencontrera invariablement des situations que votre ensemble de données n'a pas anticipées. L'utilisation de l'apprentissage actif est une stratégie importante pour améliorer de manière itérative votre ensemble de données et votre modèle. Grâce à l'intégration de Roboflow et YOLOv5 , vous pouvez rapidement apporter des améliorations à vos déploiements de modèles en utilisant un pipeline d'apprentissage automatique éprouvé.
Environnements pris en charge
Ultralytics fournit une série d'environnements prêts à l'emploi, chacun étant préinstallé avec des dépendances essentielles telles que CUDACUDNN, Pythonet PyTorchpour lancer vos projets.
- Carnets de notes gratuits GPU:
- Google Cloud: Guide de démarrage rapide GCP
- Amazon: Guide de démarrage rapide AWS
- Azure: Guide de démarrage rapide AzureML
- Docker: Guide de démarrage rapide de Docker
État d'avancement du projet
Ce badge indique que tous les tests d'intégration continue (CI) deYOLOv5 GitHub Actions ont été passés avec succès. Ces tests d'intégration continue vérifient rigoureusement la fonctionnalité et les performances de YOLOv5 sur différents aspects clés : formation, validation, inférence, exportation et tests de référence. Ils garantissent un fonctionnement cohérent et fiable sur macOS, Windows et Ubuntu, avec des tests effectués toutes les 24 heures et à chaque nouveau commit.
FAQ
Comment télécharger des données sur Roboflow pour l'entraînement des modèles YOLOv5 ?
Vous pouvez télécharger vos données vers Roboflow en utilisant trois méthodes différentes : via le site web, l'API REST ou Python. Ces options offrent une certaine flexibilité en fonction de vos préférences techniques ou des exigences du projet. Une fois vos données téléchargées, vous pouvez les organiser, les étiqueter et les versionner pour les préparer à l'entraînement avec les modèles Ultralytics YOLOv5 . Pour plus de détails, consultez la section Téléchargement de la documentation.
Quels sont les avantages de l'utilisation de Roboflow pour l'étiquetage des données et la gestion des versions ?
Roboflow fournit une plateforme complète pour l'organisation, l'étiquetage et le versionnage des données, ce qui est essentiel pour des flux de travail d'apprentissage automatique efficaces. En utilisant Roboflow avec YOLOv5, vous pouvez rationaliser le processus de préparation des ensembles de données, en veillant à ce que vos données soient annotées avec précision et versionnées de manière cohérente. La plateforme prend également en charge diverses options de prétraitement et d'augmentation hors ligne afin d'améliorer la qualité de votre ensemble de données. Pour en savoir plus sur ces fonctionnalités, consultez les sections Étiquetage et Versionnement de la documentation.
Comment puis-je exporter mon jeu de données du format Roboflow au format YOLOv5 ?
L'exportation de votre jeu de données du format Roboflow au format YOLOv5 est simple. Vous pouvez utiliser l'extrait de code Python fourni dans la documentation :
from roboflow import Roboflow
rf = Roboflow(api_key="YOUR API KEY HERE")
project = rf.workspace().project("YOUR PROJECT")
dataset = project.version("YOUR VERSION").download("yolov5")
Ce code téléchargera votre ensemble de données dans un format compatible avec YOLOv5, ce qui vous permettra de commencer rapidement l'entraînement de votre modèle. Pour plus de détails, reportez-vous à la section Exportation de données.
Qu'est-ce que l'apprentissage actif et comment fonctionne-t-il avec YOLOv5 et Roboflow?
L'apprentissage actif est une stratégie d'apprentissage automatique qui améliore itérativement un modèle en sélectionnant intelligemment les points de données les plus informatifs à étiqueter. Grâce à l'intégration de Roboflow et YOLOv5 , vous pouvez mettre en œuvre l'apprentissage actif pour améliorer en permanence les performances de votre modèle. Il s'agit de déployer un modèle, de capturer de nouvelles données, d'utiliser le modèle pour faire des prédictions, puis de vérifier ou de corriger manuellement ces prédictions afin d'entraîner davantage le modèle. Pour en savoir plus sur l'apprentissage actif, voir la section Apprentissage actif ci-dessus.
Comment puis-je utiliser les environnements Ultralytics pour former les modèles YOLOv5 sur différentes plateformes ?
Ultralytics fournit des environnements prêts à l'emploi avec des dépendances préinstallées telles que CUDA, CUDNN, Python, et PyTorch, ce qui facilite le démarrage de vos projets de formation. Ces environnements sont disponibles sur différentes plateformes telles que Google Cloud, AWS, Azure et Docker. Vous pouvez également accéder gratuitement aux carnets de notes GPU via Paperspace, Google Colab et Kaggle. Pour obtenir des instructions de configuration spécifiques, consultez la section Environnements pris en charge de la documentation.
