Roboflow 통합

Roboflow 는 컴퓨터 비전 모델 구축 및 배포를 위해 설계된 도구 모음을 제공합니다. API와 SDK를 사용하여 개발 파이프라인의 다양한 단계에서 Roboflow 통합하거나 엔드투엔드 인터페이스를 활용하여 이미지 수집부터 추론에 이르는 프로세스를 관리할 수 있습니다. Roboflow 데이터 라벨링, 모델 훈련 및 모델 배포를 위한 기능을 제공하여 Ultralytics 도구와 함께 맞춤형 컴퓨터 비전 솔루션을 개발하기 위한 구성 요소를 제공합니다.

이 가이드에서는 사용자 지정 교육용 데이터를 찾고, 레이블을 지정하고, 구성하는 방법을 보여 줍니다. Ultralytics YOLO11 모델을 훈련하는 방법을 설명합니다.

• 사용자 지정 YOLO11 모델 학습을 위한 데이터 수집
• YOLO11 형식의 데이터 업로드, 변환 및 레이블 지정
• 모델 견고성을 위한 데이터 사전 처리 및 증강
• 데이터 세트 관리 YOLO11
• 모델 학습을 위해 40개 이상의 형식으로 데이터 내보내기
• 테스트 및 배포를 위한 사용자 지정 YOLO11 모델 가중치 업로드
• YOLO11 모델 평가 방법
• 학습 리소스
• 프로젝트 쇼케이스
• 자주 묻는 질문

사용자 지정 YOLO11 모델 학습을 위한 데이터 수집

Roboflow Ultralytics YOLO 모델의 데이터 수집을 지원하는 두 가지 주요 서비스를 제공합니다: 유니버스 및 수집. 데이터 수집 전략에 대한 자세한 내용은 데이터 수집 및 어노테이션 가이드를 참조하세요.

Roboflow 우주

Roboflow 유니버스는 수많은 비전 데이터 세트를 갖춘 온라인 저장소입니다.

Roboflow 계정이 있으면 유니버스에서 사용 가능한 데이터세트를 내보낼 수 있습니다. 데이터세트를 내보내려면 해당 데이터세트 페이지에서 "이 데이터세트 다운로드" 버튼을 사용하세요.

Ultralytics 호환성 YOLO11을 클릭하고 내보내기 형식으로YOLO11"을 선택합니다:

유니버스에는 Roboflow 업로드된 공개적으로 미세 조정된 YOLO 모델을 집계하는 페이지도 있습니다. 이는 테스트 또는 자동화된 데이터 라벨링을 위해 사전 학습된 모델을 탐색하는 데 유용할 수 있습니다.

Roboflow 수집

이미지를 직접 수집하는 것을 선호하는 경우, 엣지 디바이스에서 웹캠을 통해 이미지를 자동으로 수집할 수 있는 오픈 소스 프로젝트인 Roboflow Collect를 사용할 수 있습니다. 텍스트 또는 이미지 프롬프트를 사용하여 수집할 데이터를 지정할 수 있으므로 비전 모델에 필요한 이미지만 캡처할 수 있습니다.

YOLO11 형식의 데이터 업로드, 변환 및 레이블 지정

Roboflow Annotate는 객체 감지, 분류, 분할 등 다양한 컴퓨터 비전 작업을 위해 이미지에 라벨을 붙이는 온라인 툴입니다.

Ultralytics 데이터에 레이블을 지정하려면 YOLO 모델(탐지, 인스턴스 세분화, 분류, 포즈 추정 및 OBB를 지원)의 데이터에 레이블을 지정하려면 먼저 Roboflow 프로젝트를 생성합니다.

그런 다음 이미지와 다른 도구의 기존 주석을 Roboflow 업로드합니다.

업로드가 끝나면 주석 달기 페이지로 이동합니다. 업로드한 이미지 배치를 선택하고 '주석 달기 시작'을 클릭하여 라벨링을 시작합니다.

주석 도구

• 바운딩 박스 주석: 언론 B 을 클릭하거나 상자 아이콘을 클릭합니다. 클릭하고 드래그하여 바운딩 박스. 주석에 사용할 클래스를 선택하라는 팝업이 표시됩니다.

• 다각형 주석: 사용 용도 인스턴스 세분화. 를 누릅니다. P 을 클릭하거나 다각형 아이콘을 클릭합니다. 개체 주변의 점을 클릭하여 다각형을 그립니다.

라벨 어시스턴트SAM 통합)

Roboflow 세그먼트 애니씽 모델(SAM) 기반 라벨 어시스턴트를 통합하여 잠재적으로 주석 처리 속도를 높일 수 있습니다.

라벨 도우미를 사용하려면 사이드바에서 커서 아이콘을 클릭합니다. 프로젝트에 SAM 활성화됩니다.

객체 위로 마우스를 가져가면 SAM 주석을 제안할 수 있습니다. 클릭하여 주석을 수락합니다. 제안된 영역의 안쪽 또는 바깥쪽을 클릭하여 주석의 세부 사항을 구체화할 수 있습니다.

태그 지정

사이드바의 태그 패널을 사용하여 이미지에 태그를 추가할 수 있습니다. 태그는 위치, 카메라 소스 등과 같은 속성을 나타낼 수 있습니다. 이러한 태그를 사용하면 특정 이미지를 검색하고 특정 태그가 있는 이미지가 포함된 데이터 세트 버전을 생성할 수 있습니다.

라벨 지원(모델 기반)

Roboflow 호스팅되는 모델은 숙련된 기술을 활용하는 자동화된 주석 도구인 라벨 어시스트와 함께 사용할 수 있습니다. YOLO11 모델을 활용하여 주석을 제안하는 자동화된 주석 도구입니다. 먼저 YOLO11 모델 가중치를 Roboflow 업로드합니다(아래 지침 참조). 그런 다음 왼쪽 사이드바에서 마술봉 아이콘을 클릭하고 모델을 선택하여 라벨 어시스트를 활성화합니다.

모델을 선택하고 '계속'을 클릭하여 라벨 지원을 활성화합니다:

주석을 달기 위해 새 이미지를 열면 라벨 어시스트가 모델의 예측에 따라 자동으로 주석을 제안할 수 있습니다.

데이터 세트 관리 YOLO11

Roboflow 컴퓨터 비전 데이터세트를 이해하고 관리하기 위한 여러 도구를 제공합니다.

데이터 집합 검색

데이터 세트 검색을 사용하면 시맨틱 텍스트 설명(예: "사람이 포함된 모든 이미지 찾기") 또는 특정 레이블/태그를 기반으로 이미지를 찾을 수 있습니다. 사이드바에서 '데이터 세트'를 클릭하고 검색창과 필터를 사용하여 이 기능에 액세스할 수 있습니다.

예를 들어, 사람이 포함된 이미지를 검색합니다:

'태그' 선택기를 통해 태그를 사용하여 검색어를 구체화할 수 있습니다:

상태 확인

교육 전에 Roboflow 상태 확인을 사용하여 데이터 세트에 대한 인사이트를 얻고 잠재적인 개선 사항을 파악하세요. '상태 확인' 사이드바 링크를 통해 액세스할 수 있습니다. 이미지 크기, 클래스 밸런스, 주석 히트맵 등에 대한 통계를 제공합니다.

상태 확인은 클래스 밸런스 기능에서 확인된 클래스 불균형을 해결하는 등 성능 향상을 위한 변경 사항을 제안할 수 있습니다. 효과적인 모델 학습을 위해서는 데이터 세트 상태를 이해하는 것이 중요합니다.

모델 견고성을 위한 데이터 사전 처리 및 증강

데이터를 내보내려면 특정 시점의 데이터 집합 스냅샷인 데이터 집합 버전을 만들어야 합니다. 사이드바에서 "버전"을 클릭한 다음 "새 버전 만들기"를 클릭합니다. 여기에서 전처리 단계와 데이터 보강을 적용하여 잠재적으로 모델 견고성을 향상시킬 수 있습니다.

선택한 각 증강에 대해 팝업을 통해 밝기 등의 매개변수를 미세 조정할 수 있습니다. 적절한 증강은 모델 트레이닝 팁 가이드에서 설명한 핵심 개념인 모델 일반화를 크게 향상시킬 수 있습니다.

모델 학습을 위해 40개 이상의 형식으로 데이터 내보내기

데이터 세트 버전이 생성되면 모델 학습에 적합한 다양한 형식으로 내보낼 수 있습니다. 버전 페이지에서 '데이터 세트 내보내기' 버튼을 클릭합니다.

Ultralytics 트레이닝 파이프라인과의 호환성을 위해YOLO11" 형식을 선택합니다. 이제 사용자 지정 YOLO11 모델을 훈련할 준비가 되었습니다. 내보낸 데이터 집합으로 훈련을 시작하는 방법에 대한 자세한 지침은 Ultralytics 훈련 모드 설명서를 참조하세요.

테스트 및 배포를 위한 사용자 지정 YOLO11 모델 가중치 업로드

Roboflow 배포된 모델에 대한 확장 가능한 API와 NVIDIA Jetson, Luxonis OAK, 라즈베리 파이 및 GPU 시스템과 같은 장치와 호환되는 SDK를 제공합니다. 가이드에서 다양한 모델 배포 옵션을 살펴보세요.

간단한 방법을 사용하여 가중치를 Roboflow 업로드하여 YOLO11 모델을 배포할 수 있습니다. Python 스크립트를 사용하여 로보플로우에 업로드할 수 있습니다.

새 Python 파일을 만들고 다음 코드를 추가합니다:

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 YOLO11 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'
project.version(dataset.version).deploy(
    model_type="yolov8", model_path=MODEL_PATH
)  # Note: Use "yolov8" as model_type for YOLO11 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.")

이 코드에서 다음을 대체합니다. your-workspace-id, your-project-id에서 VERSION 숫자, 그리고 MODEL_PATH 를 Roboflow 계정, 프로젝트 및 로컬 교육 결과 디렉토리에 해당하는 값으로 변경합니다. 다음 사항을 확인하세요. MODEL_PATH 훈련된 디렉터리가 포함된 디렉터리를 올바르게 가리키고 있습니다. best.pt 가중치 파일.

위의 코드를 실행하면 일반적으로 API 키를 통해 인증하라는 메시지가 표시됩니다. 그런 다음 모델이 업로드되고 프로젝트에 대한 API 엔드포인트가 생성됩니다. 이 과정은 완료하는 데 최대 30분이 걸릴 수 있습니다.

모델을 테스트하고 지원되는 SDK에 대한 배포 지침을 찾으려면 Roboflow 사이드바의 '배포' 탭으로 이동하세요. 이 페이지 상단에 웹캠을 사용하거나 이미지 또는 동영상을 업로드하여 모델을 테스트할 수 있는 위젯이 나타납니다.

업로드한 모델은 학습을 기반으로 새 이미지에 주석을 제안하는 라벨링 도우미로도 사용할 수 있습니다.

YOLO11 모델 평가 방법

Roboflow 모델 성능을 평가하기 위한 기능을 제공합니다. 모델 반복을 위해서는 성능 메트릭을 이해하는 것이 중요합니다.

모델을 업로드한 후 Roboflow 대시보드의 모델 페이지를 통해 모델 평가 도구에 액세스합니다. "상세 평가 보기"를 클릭합니다.

이 도구는 모델 성능을 보여주는 혼동 행렬과 CLIP 임베딩을 사용한 대화형 벡터 분석 플롯을 표시합니다. 이러한 기능은 모델 개선이 필요한 영역을 식별하는 데 도움이 됩니다.

혼동 매트릭스 팝업이 나타납니다:

셀 위로 마우스를 가져가 값을 확인하고 셀을 클릭하면 모델 예측 및 실측 데이터와 함께 해당 이미지를 볼 수 있습니다.

'벡터 분석'을 클릭하면 클립 임베딩을 기반으로 이미지 유사성을 시각화한 분산형 차트를 볼 수 있습니다. 서로 가까운 이미지일수록 의미적으로 유사합니다. 점들은 이미지를 나타내며, 흰색(성능 좋음)에서 빨간색(성능 나쁨)까지 색상이 지정됩니다.

벡터 분석이 도움이 됩니다:

• 이미지 클러스터를 식별합니다.
• 모델의 성능이 저조한 클러스터를 정확히 찾아냅니다.
• 성능 저하의 원인이 되는 이미지의 공통점을 파악하세요.

학습 리소스

다음 리소스를 살펴보고 Ultralytics YOLO11 함께 Roboflow 사용하는 방법에 대해 자세히 알아보세요:

• 사용자 지정 데이터 세트에서 YOLO11 훈련(Colab): 데이터로 YOLO11 훈련하는 과정을 안내하는 대화형 Google Colab 노트북입니다.
• YOLO11 문서: Ultralytics 프레임워크 내에서 YOLO11 모델을 훈련하고, 내보내고, 배포하는 방법에 대해 알아보세요.
• Ultralytics 블로그: YOLO11 교육 및 주석 모범 사례를 포함한 컴퓨터 비전에 관한 게시물을 제공합니다.
• Ultralytics 유튜브 채널: 모델 교육부터 자동화된 라벨링 및 배포에 이르기까지 컴퓨터 비전 주제에 대한 심층적인 동영상 가이드를 제공합니다.

프로젝트 쇼케이스

Ultralytics YOLO11 Roboflow 결합한 사용자들의 피드백:

자주 묻는 질문

자주 묻는 질문

Roboflow 을 사용하여 YOLO11 모델의 데이터에 레이블을 지정하려면 어떻게 해야 하나요?

Roboflow 주석을 사용합니다. 프로젝트를 만들고, 이미지를 업로드하고, 주석 도구(B 에 대한 바운딩 박스, P )을 사용하거나 SAM 라벨 도우미를 사용하면 더 빠르게 라벨을 붙일 수 있습니다. 자세한 단계는 데이터 업로드, 변환 및 레이블 지정 섹션.

YOLO11 교육 데이터 수집을 위해 Roboflow 에서는 어떤 서비스를 제공하나요?

Roboflow 유니버스(수많은 데이터 세트에 대한 액세스)와 수집(웹캠을 통한 자동 이미지 수집)을 제공합니다. 이러한 기능은 데이터 수집 가이드에 설명된 전략을 보완하여 YOLO11 모델에 필요한 학습 데이터를 수집하는 데 도움이 될 수 있습니다.

Roboflow 을 사용하여 YOLO11 데이터 집합을 관리하고 분석하려면 어떻게 해야 하나요?

Roboflow 데이터 세트 검색, 태그 지정, 상태 확인 기능을 활용하세요. 검색은 텍스트 또는 태그로 이미지를 찾고, 상태 확인은 데이터 세트 품질(클래스 밸런스, 이미지 크기 등)을 분석하여 학습 전에 개선 사항을 안내합니다. 자세한 내용은 데이터 세트 관리 섹션을 참조하세요.

Roboflow 에서 YOLO11 데이터 집합을 내보내려면 어떻게 하나요?

Roboflow 데이터 세트 버전을 만들고, 원하는 전처리 및 보강을 적용한 다음, '데이터 세트 내보내기'를 클릭하고 YOLO11 형식을 선택합니다. 이 과정은 데이터 내보내기 섹션에 설명되어 있습니다. 이렇게 하면 Ultralytics 훈련 파이프라인에서 사용할 수 있도록 데이터가 준비됩니다.

YOLO11 모델을 Roboflow 과 통합하고 배포하려면 어떻게 해야 하나요?

제공된 Python 스크립트를 사용하여 학습된 YOLO11 가중치를 Roboflow 업로드합니다. 이렇게 하면 배포 가능한 API 엔드포인트가 생성됩니다. 스크립트 및 지침은 사용자 지정 가중치 업로드 섹션을 참조하세요. 문서에서 추가 배포 옵션을 살펴보세요.

📅1 년 전 생성됨 ✏️ 업데이트됨 21일 전

댓글