コンテンツへスキップ

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。

ライセンス

Ultralytics は2つのライセンスオプションを提供している:

詳しくはUltralytics ライセンスをご覧ください。

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。

Roboflow 注釈

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。

Roboflow 前処理

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:

オープン・イン・コラボ

アクティブ・ラーニング

現実の世界は混乱しており、あなたのモデルは必ず、データセットが予想しなかった状況に遭遇する。アクティブラーニングを使うことは、データセットとモデルを繰り返し改善するための重要な戦略である。Roboflow とYOLOv5 の統合により、テスト済みの機械学習パイプラインを使用して、モデルのデプロイメントを素早く改善することができます。

Roboflow アクティブラーニング

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。

プロジェクト状況

YOLOv5 CI

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?

You can upload your data to Roboflow using three different methods: via the website, the REST API, or through Python. These options offer flexibility depending on your technical preference or project requirements. Once your data is uploaded, you can organize, label, and version it to prepare for training with Ultralytics YOLOv5 models. For more details, visit the Upload section of the documentation.

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 provides a comprehensive platform for data organization, labeling, and versioning which is essential for efficient machine learning workflows. By using Roboflow with YOLOv5, you can streamline the process of dataset preparation, ensuring that your data is accurately annotated and consistently versioned. The platform also supports various preprocessing and offline augmentation options to enhance your dataset's quality. For a deeper dive into these features, see the Labeling and Versioning sections of the documentation.

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")

This code will download your dataset in a format compatible with YOLOv5, allowing you to quickly begin training your model. For more details, refer to the Exporting Data section.

アクティブ・ラーニングとは何か、そしてYOLOv5 、Roboflow 。

Active learning is a machine learning strategy that iteratively improves a model by intelligently selecting the most informative data points to label. With the Roboflow and YOLOv5 integration, you can implement active learning to continuously enhance your model's performance. This involves deploying a model, capturing new data, using the model to make predictions, and then manually verifying or correcting those predictions to further train the model. For more insights into active learning see the Active Learning section above.

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 2023-11-12, Updated 2024-07-05
Authors: glenn-jocher (8)

コメント