Roboflow Insiemi di dati
È ora possibile utilizzare Roboflow per organizzare, etichettare, preparare, versionare e ospitare i dataset per l'addestramento dei modelli di YOLOv5 🚀. Roboflow è utilizzabile gratuitamente con YOLOv5 se si rende pubblico il proprio spazio di lavoro.
Licenze
Ultralytics offre due opzioni di licenza:
- La licenzaAGPL-3.0 , una licenza open-source approvata dall'OSI, ideale per studenti e appassionati.
- La licenza Enterprise per le aziende che desiderano incorporare i nostri modelli di intelligenza artificiale nei loro prodotti e servizi.
Per maggiori dettagli, consultare Ultralytics Licensing.
Caricare
È possibile caricare i dati su Roboflow tramite l'interfaccia web, l'API REST o il sito web. Python.
Etichettatura
Dopo aver caricato i dati su Roboflow, è possibile etichettare i dati e rivedere le etichette precedenti.
Versione
È possibile creare versioni del set di dati con diverse opzioni di preelaborazione e di incremento offline. YOLOv5 esegue gli incrementi online in modo nativo, quindi è necessario essere intenzionali quando si sovrappongono gli incrementi offline di Roboflow.
Esportazione dei dati
È possibile scaricare i dati in formato YOLOv5 per iniziare rapidamente la formazione.
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")
Formazione personalizzata
Abbiamo rilasciato un'esercitazione di formazione personalizzata che dimostra tutte le funzionalità di cui sopra. È possibile accedere al codice qui:
Apprendimento attivo
Il mondo reale è disordinato e il vostro modello incontrerà invariabilmente situazioni che il vostro set di dati non aveva previsto. L'uso dell'apprendimento attivo è una strategia importante per migliorare iterativamente il dataset e il modello. Grazie all'integrazione tra Roboflow e YOLOv5 , è possibile migliorare rapidamente le implementazioni dei modelli utilizzando una pipeline di apprendimento automatico collaudata.
Ambienti supportati
Ultralytics fornisce una serie di ambienti pronti all'uso, ognuno dei quali è preinstallato con le dipendenze essenziali quali CUDA, CUDNN, Python, e PyTorchper avviare i vostri progetti.
- Taccuini gratuiti GPU:
- Google Cloud: Guida rapida a GCP
- Amazon: Guida rapida AWS
- Azure: Guida rapida ad AzureML
- Docker: Guida rapida a Docker
Stato del progetto
Questo badge indica che tutti i test di Continuous Integration (CI) di YOLOv5 GitHub Actions sono stati superati con successo. Questi test CI verificano rigorosamente la funzionalità e le prestazioni di YOLOv5 in vari aspetti chiave: formazione, validazione, inferenza, esportazione e benchmark. Assicurano un funzionamento coerente e affidabile su macOS, Windows e Ubuntu, con test condotti ogni 24 ore e su ogni nuovo commit.
FAQ
Come si caricano i dati su Roboflow per l'addestramento dei modelli di YOLOv5 ?
È possibile caricare i dati su Roboflow utilizzando tre metodi diversi: tramite il sito web, l'API REST o Python. Queste opzioni offrono flessibilità a seconda delle preferenze tecniche o dei requisiti del progetto. Una volta caricati i dati, è possibile organizzarli, etichettarli e modificarli per prepararli all'addestramento con i modelli Ultralytics YOLOv5 . Per maggiori dettagli, visitate la sezione Upload della documentazione.
Quali sono i vantaggi dell'utilizzo di Roboflow per l'etichettatura e il versioning dei dati?
Roboflow fornisce una piattaforma completa per l'organizzazione, l'etichettatura e il versionamento dei dati, essenziale per flussi di lavoro efficienti di apprendimento automatico. Utilizzando Roboflow con YOLOv5, è possibile semplificare il processo di preparazione dei set di dati, assicurando che i dati siano annotati con precisione e versionati in modo coerente. La piattaforma supporta anche diverse opzioni di pre-elaborazione e di incremento offline per migliorare la qualità del set di dati. Per un approfondimento di queste funzioni, consultare le sezioni Etichettatura e Versioning della documentazione.
Come posso esportare il mio set di dati da Roboflow al formato YOLOv5 ?
L'esportazione del set di dati dal formato Roboflow al formato YOLOv5 è semplice. Si può usare il frammento di codice Python fornito nella documentazione:
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")
Questo codice scaricherà il set di dati in un formato compatibile con YOLOv5, consentendo di iniziare rapidamente l'addestramento del modello. Per maggiori dettagli, consultare la sezione Esportazione dei dati.
Che cos'è l'apprendimento attivo e come funziona con YOLOv5 e Roboflow?
L'apprendimento attivo è una strategia di apprendimento automatico che migliora iterativamente un modello selezionando in modo intelligente i punti di dati più informativi da etichettare. Con l'integrazione di Roboflow e YOLOv5 , è possibile implementare l'apprendimento attivo per migliorare continuamente le prestazioni del modello. Ciò comporta l'implementazione di un modello, l'acquisizione di nuovi dati, l'utilizzo del modello per fare previsioni e quindi la verifica o la correzione manuale di tali previsioni per addestrare ulteriormente il modello. Per ulteriori informazioni sull'apprendimento attivo, consultare la sezione Apprendimento attivo.
Come si possono utilizzare gli ambienti Ultralytics per addestrare i modelli YOLOv5 su piattaforme diverse?
Ultralytics fornisce ambienti pronti all'uso con dipendenze preinstallate come CUDA, CUDNN, Python, e PyTorchper facilitare l'avvio dei progetti di formazione. Questi ambienti sono disponibili su varie piattaforme come Google Cloud, AWS, Azure e Docker. È inoltre possibile accedere ai notebook gratuiti di GPU tramite Paperspace, Google Colab e Kaggle. Per istruzioni specifiche sulla configurazione, visitare la sezione Ambienti supportati della documentazione.
