Roboflow Set di dati
Ora puoi usare Roboflow per organizzare, etichettare, preparare, versionare e ospitare i tuoi set di dati per l'addestramento dei modelli YOLOv5 🚀. Roboflow è utilizzabile gratuitamente con YOLOv5 se rendi pubblico il tuo spazio di lavoro.
Licenze
Ultralytics offre due opzioni di licenza:
- La licenzaAGPL-3.0 è una licenza open-source approvata dall'OSI, ideale per studenti e appassionati.
- La Licenza Enterprise per le aziende che vogliono incorporare i nostri modelli di intelligenza artificiale nei loro prodotti e servizi.
Per maggiori dettagli consulta Ultralytics Licensing.
Carica
Puoi caricare i tuoi dati su Roboflow tra mite l'interfaccia web, l'API REST o il sito web di . Python.
Etichettatura
Dopo aver caricato i dati su Roboflow, puoi etichettare i tuoi dati e rivedere le etichette precedenti.
Versione
Puoi creare delle versioni del tuo set di dati con diverse opzioni di pre-elaborazione e di incremento offline. YOLOv5 esegue gli incrementi online in modo nativo, quindi sii intenzionato a sovrapporre gli incrementi offline di Roboflow.
Esportazione dei dati
Puoi scaricare i tuoi 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 pubblicato un tutorial di formazione personalizzato che dimostra tutte le funzionalità sopra descritte. Puoi accedere al codice qui:
Apprendimento attivo
The real world is messy and your model will invariably encounter situations your dataset didn't anticipate. Using active learning is an important strategy to iteratively improve your dataset and model. With the Roboflow and YOLOv5 integration, you can quickly make improvements on your model deployments by using a battle tested machine learning pipeline.
Ambienti supportati
Ultralytics offre una serie di ambienti pronti all'uso, ognuno dei quali è preinstallato con le dipendenze essenziali, come ad esempio CUDA, CUDNN, Python, e PyTorchper dare il via ai tuoi progetti.
- Taccuini gratuiti GPU:
- Google Cloud: Guida rapida a GCP
- Amazon: Guida rapida di AWS
- Azure: Guida rapida ad AzureML
- Docker: Guida rapida a Docker
Stato del progetto
Questo badge indica che tutti i test di YOLOv5 GitHub Actions Continuous Integration (CI) 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.
DOMANDE FREQUENTI
Come faccio a caricare i dati su Roboflow per addestrare i modelli di YOLOv5 ?
Puoi caricare i tuoi dati su Roboflow utilizzando tre metodi diversi: tramite il sito web, l'API REST o Python. Queste opzioni offrono una certa flessibilità a seconda delle tue preferenze tecniche o dei requisiti del progetto. Una volta che i tuoi dati sono stati caricati, puoi organizzarli, etichettarli e modificarli per prepararli all'addestramento con i modelli di Ultralytics YOLOv5 . Per maggiori dettagli, visita 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 versioning dei dati, essenziale per flussi di lavoro efficienti di apprendimento automatico. Utilizzando Roboflow con YOLOv5, puoi semplificare il processo di preparazione dei set di dati, assicurandoti che i tuoi dati siano annotati in modo accurato e con versioni coerenti. La piattaforma supporta anche diverse opzioni di pre-elaborazione e di incremento offline per migliorare la qualità del tuo set di dati. Per un approfondimento su queste funzioni, consulta le sezioni Etichettatura e Versioning della documentazione.
Come posso esportare il mio set di dati da Roboflow al formato YOLOv5 ?
Esportare il tuo set di dati dal formato Roboflow al formato YOLOv5 è semplice. Puoi utilizzare 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 tuo set di dati in un formato compatibile con YOLOv5, consentendoti di iniziare rapidamente l'addestramento del tuo modello. Per maggiori dettagli, consulta la sezione Esportare i dati.
What is active learning and how does it work with YOLOv5 and Roboflow?
L'apprendimento attivo è una strategia di apprendimento automatico che migliora iterativamente un modello selezionando in modo intelligente i punti dati più informativi da etichettare. Grazie all'integrazione tra Roboflow e YOLOv5 , puoi implementare l'apprendimento attivo per migliorare continuamente le prestazioni del tuo 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 maggiori informazioni sull'apprendimento attivo, consulta la sezione Apprendimento attivo qui sopra.
Come posso utilizzare gli ambienti di Ultralytics per addestrare i modelli di YOLOv5 su piattaforme diverse?
Ultralytics provides ready-to-use environments with pre-installed dependencies like CUDA, CUDNN, Python, and PyTorch, making it easier to kickstart your training projects. These environments are available on various platforms such as Google Cloud, AWS, Azure, and Docker. You can also access free GPU notebooks via Paperspace, Google Colab, and Kaggle. For specific setup instructions, visit the Supported Environments section of the documentation.