Roboflow#

Roboflow fornisce strumenti per l'etichettatura dei dati e l'esportazione di dataset in vari formati, incluso YOLO. Questa guida illustra come etichettare, esportare e distribuire dati per i modelli Ultralytics YOLO.

Questa guida mostra come trovare, etichettare e organizzare i dati per addestrare un modello Ultralytics YOLO26 personalizzato usando 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 aiutarti a raccogliere dati per i modelli YOLO di Ultralytics: Universe e Collect. Per informazioni più generali sulle strategie di raccolta dati, consulta la nostra guida alla raccolta e all'annotazione dei dati.

Roboflow Universe#

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

Roboflow Collect#

Se preferisci raccogliere le immagini autonomamente, Roboflow Collect è un progetto open source che consente di raccogliere automaticamente immagini tramite una webcam su dispositivi edge. Puoi usare prompt testuali o immagini per specificare i dati da raccogliere e acquisire così solo le immagini necessarie per il tuo modello di visione.

Caricare, convertire ed etichettare i dati nel formato YOLO26#

Roboflow Annotate è uno strumento online per etichettare immagini per diverse attività di visione artificiale, tra cui il rilevamento di 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 con riquadro di delimitazione: premi B o fai clic sull'icona del riquadro. Fai clic e trascina per creare il riquadro di delimitazione. Un popup ti chiederà di selezionare una classe per l'annotazione.
• Annotazione con poligono: si usa per la segmentazione delle istanze. Premi P o fai clic sull'icona del poligono. Fai clic attorno all'oggetto per disegnare il poligono.

Assistente per le etichette (integrazione con SAM)#

Roboflow integra un assistente per le etichette basato su Segment Anything Model (SAM), che può velocizzare le annotazioni.

Per usare l'assistente per le etichette, fai clic sull'icona del cursore nella barra laterale. SAM verrà abilitato per il tuo progetto.

Passa il puntatore su un oggetto e SAM potrebbe suggerire un'annotazione. Fai clic per accettarla. Puoi perfezionare il livello di dettaglio dell'annotazione facendo clic all'interno o all'esterno dell'area suggerita.

Tagging#

Puoi aggiungere tag alle immagini usando il pannello Tags nella barra laterale. I tag possono rappresentare attributi come la posizione, la sorgente della fotocamera e così via. Puoi usare questi tag per cercare immagini specifiche e generare versioni del dataset che includono immagini con determinati tag.

Assistenza per le etichette (basata su modelli)#

Puoi usare i modelli ospitati su Roboflow con Label Assist per suggerire annotazioni. Carica su Roboflow i pesi del tuo modello YOLO (consulta le istruzioni qui sotto), 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#

Usa la ricerca nei dataset per trovare immagini in base a descrizioni testuali o etichette/tag specifici. Per accedere a questa funzione, fai clic su "Dataset" nella barra laterale.

Controllo dello stato#

Prima dell'addestramento, usa Roboflow Health Check per analizzare il tuo dataset e individuare possibili miglioramenti. Puoi accedervi dal link "Health Check" nella barra laterale. Fornisce statistiche sulle dimensioni delle immagini, il bilanciamento delle classi, le mappe di calore delle annotazioni e altro.

Health Check potrebbe suggerirti modifiche per migliorare le prestazioni, ad esempio correggere gli squilibri tra classi rilevati dalla funzione di bilanciamento delle classi. Comprendere lo stato del dataset è fondamentale per un efficace addestramento del modello.

Pre-elaborare e aumentare i dati per rendere il modello più robusto#

Per esportare i dati, devi creare una versione del dataset, ovvero un'istantanea del dataset in un determinato momento. Fai clic su "Versions" nella barra laterale, quindi su "Create New Version". Qui puoi applicare passaggi di pre-elaborazione e data augmentation per aumentare potenzialmente la robustezza del modello.

Per ogni augmentation selezionata, un popup ti permette di perfezionarne i parametri, come la luminosità. Un'augmentation adeguata può migliorare notevolmente la capacità di generalizzazione del modello, un concetto chiave trattato nella nostra guida ai suggerimenti per l'addestramento dei modelli.

Esportare i dati in oltre 40 formati per l'addestramento dei modelli#

Dopo aver generato la versione del dataset, puoi esportarla in diversi formati adatti all'addestramento dei modelli. Fai clic sul pulsante "Export Dataset" nella pagina della versione.

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

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. Scopri le diverse opzioni di distribuzione dei modelli nelle nostre guide.

Puoi distribuire i modelli YOLO26 caricandone i pesi su Roboflow con un semplice script Python.

Crea un nuovo file Python e aggiungi il codice seguente:

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 con i risultati dell'addestramento. Assicurati che MODEL_PATH punti correttamente alla directory contenente il file dei pesi addestrati best.pt.

Quando esegui il codice qui sopra, ti verrà chiesto di autenticarti (solitamente tramite una chiave API). Il modello verrà quindi caricato e per il tuo progetto verrà creato un endpoint API. Il 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 della pagina apparirà un widget che ti permette di testare il modello usando la webcam oppure caricando immagini o video.

Puoi usare il modello caricato anche come assistente per le etichette, che suggerisce annotazioni per le nuove immagini in base al suo addestramento.

Come valutare i modelli YOLO26#

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

Dopo aver caricato un modello, accedi allo strumento di valutazione 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 basato sugli embedding CLIP. Queste funzioni aiutano a individuare gli aspetti da migliorare nel modello.

Il popup della matrice di confusione:

Passa il puntatore 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 somiglianza tra immagini, basato sugli embedding CLIP. Le immagini più vicine tra loro sono semanticamente simili. I punti rappresentano le immagini e sono colorati dal bianco (buone prestazioni) al rosso (prestazioni scarse).

L'analisi vettoriale aiuta a:

• Individuare gruppi di immagini.
• Individuare i gruppi in cui il modello ha prestazioni scarse.
• Comprendere le caratteristiche comuni delle immagini che causano prestazioni scarse.

Risorse per l'apprendimento#

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

Domande frequenti#