Roboflow#

Roboflow offre strumenti per l'etichettatura dei dati e l'esportazione dei dataset in vari formati, incluso YOLO. Questa guida illustra l'etichettatura, l'esportazione e la distribuzione dei dati per i modelli Ultralytics YOLO.

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

• Raccogliere dati per l'addestramento
• Etichettare i dati
• Gestione dei dataset
• Esportare i dati
• Distribuire i modelli
• Valutare i modelli
• FAQ

Raccogliere dati per addestrare un modello YOLO26 personalizzato#

Roboflow offre due servizi principali per aiutare a raccogliere dati per i modelli YOLO di Ultralytics: Universe e Collect. Per informazioni più generali sulle strategie di raccolta dei dati, consulta la nostra Guida alla raccolta e all'annotazione dei dati.

Roboflow Universe#

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

Roboflow Collect#

Se preferisci raccogliere personalmente le immagini, Roboflow Collect è un progetto open source che consente la raccolta automatica di immagini tramite una webcam su dispositivi edge. Puoi utilizzare prompt testuali o basati su immagini per specificare i dati da raccogliere, acquisendo così solo le immagini necessarie per il tuo modello di visione.

Caricare, convertire ed etichettare i dati per il formato YOLO26#

Roboflow Annotate è uno strumento online per etichettare immagini per diverse attività di visione artificiale, tra cui il rilevamento degli oggetti, la classificazione e la segmentazione.

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

Strumenti di annotazione#

• Annotazione tramite bounding box: premi B o fai clic sull'icona del riquadro. Fai clic e trascina per creare la bounding box. Un pop-up ti chiederà di selezionare una classe per l'annotazione.
• Annotazione tramite poligono: utilizzata per la segmentazione delle istanze. Premi P o fai clic sull'icona del poligono. Fai clic sui punti intorno all'oggetto per disegnare il poligono.

Assistente all'etichettatura (integrazione di SAM)#

Roboflow integra un assistente all'etichettatura basato su Segment Anything Model (SAM) che può velocizzare l'annotazione.

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

Passa il cursore su un oggetto: SAM potrebbe suggerire un'annotazione. Fai clic per accettare l'annotazione. Puoi perfezionare la specificità dell'annotazione facendo clic all'interno o all'esterno dell'area suggerita.

Tag#

Puoi aggiungere tag alle immagini utilizzando il pannello Tags nella barra laterale. I tag possono rappresentare attributi come la posizione, la sorgente della fotocamera e così via. Questi tag ti consentono di cercare immagini specifiche e generare versioni del dataset contenenti immagini con determinati tag.

Assistente all'etichettatura (basato sul modello)#

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

Gestione dei dataset per YOLO26#

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

Ricerca nei dataset#

Utilizza la ricerca nei dataset per trovare immagini in base a descrizioni testuali o etichette/tag specifici. Accedi a questa funzione facendo clic su "Dataset" nella barra laterale.

Controllo dello stato#

Prima dell'addestramento, utilizza Roboflow Health Check per ottenere informazioni sul tuo dataset e individuare possibili miglioramenti. Accedi alla funzione tramite il collegamento "Health Check" nella barra laterale. Fornisce statistiche sulle dimensioni delle immagini, sul bilanciamento delle classi, sulle mappe di calore delle annotazioni e altro ancora.

Health Check potrebbe suggerire modifiche per migliorare le prestazioni, ad esempio affrontando gli squilibri tra le classi individuati nella funzione di bilanciamento delle classi. Comprendere lo stato del dataset è fondamentale per un addestramento efficace del modello.

Preelaborare e aumentare i dati per la robustezza del modello#

Per esportare i dati, devi creare una versione del dataset, ovvero un'istantanea del dataset in un momento specifico. Fai clic su "Versions" nella barra laterale, quindi su "Create New Version". Qui puoi applicare passaggi di preelaborazione e aumenti dei dati per migliorare potenzialmente la robustezza del modello.

Per ogni aumento selezionato, un pop-up consente di ottimizzare parametri come la luminosità. Un aumento appropriato può migliorare significativamente la generalizzazione del modello, un concetto chiave illustrato nella nostra guida ai suggerimenti per l'addestramento dei modelli.

Esportare i 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. Fai clic sul pulsante "Export Dataset" nella pagina della versione.

Seleziona il formato "YOLO26" per garantire la compatibilità con le pipeline di addestramento di Ultralytics. Ora puoi addestrare il tuo modello YOLO26 personalizzato. Consulta la documentazione sulla modalità Train di Ultralytics per istruzioni dettagliate su come avviare l'addestramento con il dataset esportato.

Caricare i pesi di un modello YOLO26 personalizzato per test e distribuzione#

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

Puoi distribuire i modelli YOLO26 caricando i relativi pesi su Roboflow utilizzando 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 locale dei risultati dell'addestramento. Assicurati che MODEL_PATH punti correttamente alla directory contenente il file dei pesi best.pt addestrati.

Quando esegui il codice precedente, ti verrà richiesto di autenticarti (di solito tramite una chiave API). Il modello verrà quindi caricato e per il tuo progetto verrà creato un endpoint API. Il completamento di questo processo può richiedere fino a 30 minuti.

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

Il modello caricato può essere utilizzato anche come assistente all'etichettatura, suggerendo annotazioni sulle nuove immagini in base al suo addestramento.

Come valutare i modelli YOLO26#

Roboflow offre funzionalità per valutare le prestazioni dei modelli. Comprendere le metriche delle prestazioni è fondamentale per iterare sul modello.

Dopo aver caricato un modello, accedi allo strumento di valutazione del modello dalla pagina del modello nella dashboard di Roboflow. Fai clic su "View Detailed Evaluation".

Questo strumento mostra una matrice di confusione che illustra le prestazioni del modello e un grafico interattivo di analisi vettoriale che utilizza gli embedding CLIP. Queste funzionalità aiutano a individuare le aree in cui migliorare il modello.

Il pop-up della matrice di confusione:

Passa il cursore sulle celle per visualizzare i valori e fai clic sulle celle per vedere le immagini corrispondenti con le predizioni del modello e i dati di ground truth.

Fai clic su "Vector Analysis" per visualizzare un grafico a dispersione della similarità delle immagini basato sugli embedding CLIP. Le immagini più vicine tra loro sono semanticamente simili. I punti rappresentano le immagini e sono colorati dal bianco (prestazioni elevate) al rosso (prestazioni scarse).

Vector Analysis aiuta a:

• Identificare i cluster di immagini.
• Individuare i cluster in cui il modello presenta prestazioni scarse.
• Comprendere le caratteristiche comuni delle immagini che causano prestazioni scarse.

Risorse per l'apprendimento#

• Addestrare YOLO su un dataset personalizzato (Colab): notebook Google Colab interattivo per l'addestramento sui tuoi dati.
• Documentazione di Ultralytics YOLO: addestramento, esportazione e distribuzione dei modelli YOLO.
• Blog di Ultralytics: articoli sulla visione artificiale e sull'addestramento dei modelli.
• YouTube di Ultralytics: guide video sull'addestramento e sulla distribuzione dei modelli.

FAQ#