Roboflow#

Roboflow fornisce strumenti per l'etichettatura dei dati e l'esportazione di dataset in vari formati, incluso YOLO. Questa guida copre l'etichettatura, l'esportazione e il deployment dei dati per i modelli Ultralytics YOLO.

Questa guida mostra come trovare, etichettare e organizzare i dati per addestrare un modello personalizzato Ultralytics YOLO26 usando Roboflow.

• Raccogli dati per l'addestramento
• Etichetta i dati
• Gestione dei dataset
• Esporta i dati
• Esegui il deployment dei modelli
• Valuta i modelli
• FAQ

Raccogli dati per l'addestramento di un modello YOLO26 personalizzato#

Roboflow offre due servizi principali per assistere nella raccolta dei dati per i modelli YOLO di Ultralytics: Universe e Collect. Per informazioni più generali sulle strategie di raccolta dei dati, fai riferimento alla nostra Guida alla raccolta e annotazione dei dati.

Roboflow Universe#

Roboflow Universe è un repository online di dataset di visione artificiale. Puoi esportare i dataset in formato YOLO da usare con i modelli Ultralytics.

Roboflow Collect#

Se preferisci raccogliere le immagini autonomamente, Roboflow Collect è un progetto open source che abilita la raccolta automatica di immagini tramite webcam su dispositivi edge. Puoi usare prompt testuali o di immagini per specificare i dati da raccogliere, aiutandoti a catturare solo le immagini necessarie per il tuo modello di visione.

Carica, converti ed etichetta i dati per il formato YOLO26#

Roboflow Annotate è uno strumento online per etichettare immagini per varie attività di visione artificiale, inclusi object detection, classificazione e segmentazione.

Per etichettare i dati per un modello YOLO di Ultralytics, crea un progetto in Roboflow, carica le tue immagini e inizia ad annotare.

Strumenti di annotazione#

• Annotazione con riquadro di delimitazione: premi B o fai clic sull'icona del riquadro. Fai clic e trascina per creare il riquadro di delimitazione. Un pop-up ti chiederà di selezionare una classe per l'annotazione.
• Annotazione con poligono: usata per la segmentazione d'istanza. Premi P o fai clic sull'icona del poligono. Fai clic sui punti attorno all'oggetto per disegnare il poligono.

Assistente all'etichettatura (Integrazione SAM)#

Roboflow integra un assistente di etichettatura basato su Segment Anything Model (SAM) per velocizzare potenzialmente l'annotazione.

Per usare l'assistente all'etichettatura, clicca sull'icona del cursore nella barra laterale. SAM verrà abilitato per il tuo progetto.

Passa il mouse sopra un oggetto e SAM potrebbe suggerire un'annotazione. Clicca per accettare l'annotazione. Puoi rifinire la specificità dell'annotazione cliccando dentro o fuori l'area suggerita.

Tagging#

Puoi aggiungere tag alle immagini usando il pannello Tag nella barra laterale. I tag possono rappresentare attributi come posizione, sorgente della fotocamera, ecc. Questi tag ti permettono di cercare immagini specifiche e generare versioni di dataset contenenti immagini con tag particolari.

Label Assist (Basato su modelli)#

I modelli ospitati su Roboflow possono essere usati con Label Assist per suggerire annotazioni. Carica i pesi del tuo modello YOLO su Roboflow (vedi le istruzioni di seguito), quindi attiva Label Assist tramite l'icona della bacchetta magica nella barra laterale.

Gestione del dataset per YOLO26#

Roboflow fornisce diversi strumenti per comprendere e gestire i tuoi dataset di visione artificiale.

Ricerca nel dataset#

Usa la ricerca nel dataset per trovare immagini basate su descrizioni testuali o etichette/tag specifici. Accedi a questa funzione cliccando su "Dataset" nella barra laterale.

Controllo Integrità#

Prima dell'addestramento, usa Roboflow Health Check per ottenere approfondimenti sul tuo dataset e identificare potenziali miglioramenti. Accedici tramite il link "Health Check" nella barra laterale. Fornisce statistiche su dimensioni delle immagini, bilanciamento delle classi, mappe di calore delle annotazioni e altro.

Health Check potrebbe suggerire modifiche per migliorare le prestazioni, come la risoluzione degli squilibri di classe identificati nella funzionalità di bilanciamento delle classi. Comprendere la salute del dataset è fondamentale per un addestramento del modello efficace.

Pre-elabora e aumenta i dati per la robustezza del modello#

Per esportare i tuoi dati, devi creare una versione del dataset, che è un'istantanea del tuo dataset in un momento specifico. Fai clic su "Versions" nella barra laterale, quindi su "Create New Version". Qui puoi applicare passaggi di pre-elaborazione e aumentazioni dei dati per migliorare potenzialmente la robustezza del modello.

Per ogni aumentazione selezionata, un pop-up ti consente di ottimizzarne i parametri come la luminosità. Una corretta aumentazione può migliorare significativamente la generalizzazione del modello, un concetto chiave discusso nella nostra guida ai consigli per l'addestramento dei modelli.

Esporta dati in oltre 40 formati per l'addestramento del modello#

Una volta generata la versione del dataset, puoi esportarla in vari formati adatti all'addestramento del modello. Clicca il pulsante "Export Dataset" nella pagina della versione.

Seleziona il formato "YOLO26" per la compatibilità con le pipeline di addestramento di Ultralytics. Ora sei pronto per addestrare il tuo modello YOLO26 personalizzato. Fai riferimento alla documentazione della modalità Train di Ultralytics per istruzioni dettagliate su come avviare l'addestramento con il tuo dataset esportato.

Carica pesi del modello YOLO26 personalizzato per test e distribuzione#

Roboflow offre un'API scalabile per i modelli sottoposti a deployment e SDK compatibili con dispositivi come NVIDIA Jetson, Luxonis OAK, Raspberry Pi e sistemi basati su GPU. Esplora varie opzioni di deployment dei modelli nelle nostre guide.

Puoi eseguire il deployment dei modelli YOLO26 caricando i loro pesi su Roboflow usando un semplice script Python.

Crea un nuovo file Python e aggiungi il seguente codice:

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.")

In questo codice, sostituisci your-workspace-id, your-project-id, il numero VERSION e MODEL_PATH con i valori specifici del tuo account Roboflow, del progetto e della directory dei risultati dell'addestramento locale. Assicurati che MODEL_PATH punti correttamente alla directory contenente il file dei pesi best.pt addestrati.

Quando esegui il codice sopra, ti verrà chiesto di autenticarti (solitamente tramite una chiave API). Successivamente, il tuo modello verrà caricato e verrà creato un endpoint API per il tuo progetto. Questo processo può richiedere fino a 30 minuti per essere completato.

Per testare il tuo modello e trovare istruzioni di distribuzione per gli SDK supportati, vai alla scheda "Deploy" nella barra laterale di Roboflow. Nella parte superiore di questa pagina apparirà un widget che ti permetterà di testare il tuo modello usando la tua webcam o caricando immagini o video.

Il tuo modello caricato può anche essere usato come assistente all'etichettatura, suggerendo annotazioni su nuove immagini basate sul suo addestramento.

Come valutare i modelli YOLO26#

Roboflow fornisce funzionalità per valutare le prestazioni del modello. Comprendere le metriche delle prestazioni è fondamentale per l'iterazione del modello.

Dopo aver caricato un modello, accedi allo strumento di valutazione del modello tramite la tua pagina del modello sulla dashboard di Roboflow. Clicca "View Detailed Evaluation."

Questo strumento mostra una matrice di confusione che illustra le prestazioni del modello e un grafico di analisi vettoriale interattivo che usa gli embedding CLIP. Queste funzionalità aiutano a identificare le aree di miglioramento del modello.

Il pop-up della matrice di confusione:

Passa il mouse sopra le celle per vedere i valori e clicca sulle celle per visualizzare le immagini corrispondenti con le previsioni del modello e i dati di ground truth.

Clicca "Vector Analysis" per un grafico a dispersione che visualizza la similarità delle immagini basata sugli embedding CLIP. Le immagini più vicine tra loro sono semanticamente simili. I punti rappresentano le immagini, colorate dal bianco (buone prestazioni) al rosso (scarse prestazioni).

L'analisi vettoriale aiuta a:

• Identificare cluster di immagini.
• Individuare cluster in cui il modello ha scarse prestazioni.
• Comprendere i punti in comune tra le immagini che causano scarse prestazioni.

Risorse di apprendimento#

• Addestra YOLO su un dataset personalizzato (Colab): notebook Google Colab interattivo per l'addestramento sui tuoi dati.
• Documentazione di Ultralytics YOLO: addestramento, esportazione e deployment dei modelli YOLO.
• Blog di Ultralytics: articoli su computer vision e addestramento dei modelli.
• YouTube di Ultralytics: guide video sull'addestramento e sul deployment dei modelli.

FAQ#