Roboflow Jeux de données

Tu peux maintenant utiliser Roboflow pour organiser, étiqueter, préparer, versionner et héberger tes jeux de données pour l'entraînement des modèles YOLOv5 🚀. Roboflow peut être utilisé gratuitement avec YOLOv5 si tu rends ton espace de travail public.

Télécharger

Tu peux télécharger tes données sur Roboflow via l'interface web, l'API REST ou... Python.

Étiquetage

Après avoir téléchargé des données sur Roboflow, tu peux étiqueter tes données et revoir les étiquettes précédentes.

Versionnement

Tu peux créer des versions de ton jeu de données avec différentes options de prétraitement et d'augmentation hors ligne. YOLOv5 effectue des augmentations en ligne de façon native, alors fais preuve d'attention lorsque tu superposes les augmentations hors ligne de Roboflow.

Exporter des données

Tu peux télécharger tes données au format YOLOv5 pour commencer rapidement la 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 tutoriel de formation personnalisé qui démontre toutes les capacités ci-dessus. Tu peux accéder au code ici :

Apprentissage actif

Le monde réel est désordonné et ton modèle rencontrera invariablement des situations que ton ensemble de données n'a pas anticipées. L'utilisation de l'apprentissage actif est une stratégie importante pour améliorer de façon itérative ton ensemble de données et ton modèle. Avec l'intégration de Roboflow et YOLOv5 , tu peux rapidement apporter des améliorations à tes déploiements de modèles en utilisant un pipeline d'apprentissage automatique qui a fait ses preuves.

Environnements pris en charge

Ultralytics fournit une gamme d'environnements prêts à l'emploi, chacun étant préinstallé avec des dépendances essentielles telles que CUDACUDNN, Pythonet PyTorchpour lancer tes projets.

• Carnets de notes gratuits GPU:
• Google Cloud: Guide de démarrage rapide de GCP
• Amazon: Guide de démarrage rapide AWS
• Azure: Guide de démarrage rapide d'AzureML
• Docker: Guide de démarrage rapide de Docker

Statut du projet

Ce badge indique que tous les tests d'intégration continue (CI) de YOLOv5 GitHub Actions sont passés avec succès. Ces tests CI vérifient rigoureusement la fonctionnalité et les performances de YOLOv5 sur différents aspects clés : entraînement, validation, inférence, exportation et benchmarks. 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 puis-je télécharger des données sur Roboflow pour entraîner les modèles YOLOv5 ?

Tu peux télécharger tes données sur Roboflow en utilisant trois méthodes différentes : via le site web, l'API REST ou via Python. Ces options offrent une certaine flexibilité en fonction de tes préférences techniques ou des exigences du projet. Une fois tes données téléchargées, tu peux les organiser, les étiqueter et les versionner pour te préparer à l'entraînement avec les modèles Ultralytics YOLOv5 . Pour plus de détails, visite la section Téléchargement de la documentation.

Quels sont les avantages de l'utilisation de Roboflow pour l'étiquetage et le versionnage des données ?

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, tu peux rationaliser le processus de préparation des ensembles de données, en veillant à ce que tes 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 pour améliorer la qualité de ton jeu de données. Pour en savoir plus sur ces fonctionnalités, consulte 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 ton jeu de données du format Roboflow au format YOLOv5 est très simple. Tu peux 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 ton ensemble de données dans un format compatible avec YOLOv5, ce qui te permettra de commencer rapidement à entraîner ton modèle. Pour plus de détails, reporte-toi à la section Exportation des 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 de façon itérative un modèle en sélectionnant intelligemment les points de données les plus informatifs à étiqueter. Avec l'intégration de Roboflow et YOLOv5 , tu peux mettre en œuvre l'apprentissage actif pour améliorer continuellement les performances de ton modèle. Cela implique le déploiement d'un modèle, la capture de nouvelles données, l'utilisation du modèle pour faire des prédictions, puis la vérification ou la correction manuelle de ces prédictions afin d'entraîner davantage le modèle. Pour en savoir plus sur l'apprentissage actif, consulte 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 comme CUDA, CUDNN, Python, et PyTorch, ce qui facilite le démarrage de tes projets de formation. Ces environnements sont disponibles sur différentes plateformes telles que Google Cloud, AWS, Azure et Docker. Tu peux également accéder gratuitement aux carnets de notes GPU via . Paperspace, Google Colab, et Kaggle. Pour des instructions de configuration spécifiques, visite la section Environnements pris en charge de la documentation.

Commentaires