Roboflow データセット

Roboflow を使って、YOLOv5 🚀モデルをトレーニングするためのデータセットの整理、ラベル付け、準備、バージョン管理、ホスティングができるようになった。Roboflow は、ワークスペースを公開すれば、YOLOv5 とともに無料で使える。

アップロード

ウェブ UI、REST API、または以下の方法でRoboflow にデータをアップロードできます。 Python.

ラベリング

Roboflow にデータをアップロードした後、データにラベルを付け、以前のラベルを確認することができます。

バージョニング

YOLOv5 はネイティブにオンライン拡張を行うので、Roboflow のオフライン拡張を上に重ねるときは意図的に行うこと。

データのエクスポート

YOLOv5 形式でデータをダウンロードすれば、すぐにトレーニングを開始できます。

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")

カスタム・トレーニング

上記のすべての機能をデモンストレーションするカスタムトレーニングチュートリアルをリリースしました。コードはこちらからアクセスできます：

アクティブ・ラーニング

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.

対応環境

Ultralytics をはじめとする必要不可欠な依存関係がプリインストールされた、さまざまなすぐに使える環境を提供する。 CUDAやCUDNN、 Pythonそして PyTorchなどがプリインストールされています。

• 無料GPU ノート:
• Google クラウド GCPクイックスタートガイド
• アマゾン AWSクイックスタートガイド
• Azure：AzureMLクイックスタートガイド
• ドッカー: Dockerクイックスタートガイド

プロジェクト状況

このバッジは、YOLOv5 GitHub ActionsContinuous Integration (CI) テストがすべて正常にパスしていることを示します。これらのCIテストは、トレーニング、検証、推論、エクスポート、ベンチマークといったさまざまな重要な側面にわたって、YOLOv5 の機能とパフォーマンスを厳密にチェックします。これらのテストは、macOS、Windows、Ubuntu上で、24時間ごとおよび新しいコミットごとに実施され、一貫した信頼性の高い動作を保証します。

よくあるご質問

YOLOv5 モデルのトレーニング用にデータをRoboflow にアップロードするにはどうすればよいですか？

ウェブサイト、REST API、Python の3つの方法で、Roboflow にデータをアップロードできます。これらのオプションは、お客様の技術的なご希望やプロジェクトの要件に柔軟に対応します。データがアップロードされたら、Ultralytics YOLOv5 モデルでのトレーニングに備え、データを整理し、ラベルを付け、バージョン管理することができます。詳細については、ドキュメントの「アップロード」セクションを参照してください。

データのラベリングとバージョニングにRoboflow を使用する利点は何ですか？

Roboflow は、効率的な機械学習ワークフローに不可欠なデータ整理、ラベリング、バージョニングのための包括的なプラットフォームを提供します。YOLOv5 でRoboflow を使用することで、データセットの準備プロセスを合理化し、データの正確な注釈付けと一貫したバージョン管理を確実に行うことができます。また、このプラットフォームは、データセットの品質を向上させるための様々な前処理とオフライン拡張オプションをサポートしています。これらの機能の詳細については、ドキュメントの「ラベリング」と「バージョニング」のセクションをご覧ください。

データセットをRoboflow からYOLOv5 形式にエクスポートするにはどうすればよいですか？

Roboflow からYOLOv5 形式へのデータセットのエクスポートは簡単です。ドキュメントで提供されているPython のコード・スニペットを使うことができる：

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")

このコードにより、YOLOv5 と互換性のある形式でデータセットがダウンロードされ、モデルのトレーニングをすぐに開始することができます。詳細については、「データのエクスポート」のセクションを参照してください。

What is active learning and how does it work with YOLOv5 and Roboflow?

能動学習は、最も有益なデータ・ポイントをインテリジェントに選択してラベル付けすることで、モデルを反復的に改善する機械学習戦略です。Roboflow とYOLOv5 の統合により、モデルのパフォーマンスを継続的に向上させる能動学習を実装することができます。これには、モデルを展開し、新しいデータを取り込み、モデルを使って予測を行い、さらにモデルを訓練するためにそれらの予測を手動で検証または修正することが含まれます。アクティブ・ラーニングの詳細については、上記のアクティブ・ラーニングのセクションを参照してください。

YOLOv5 モデルのトレーニングにUltralytics 環境を異なるプラットフォームで使用するには？

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.

📅 Created 11 months ago ✏️ Updated 4 days ago

コメント