Roboflow 데이터 세트

이제 Roboflow 을 사용하여 YOLOv5 🚀 모델 교육을 위한 데이터세트를 구성, 레이블 지정, 준비, 버전 관리 및 호스팅할 수 있습니다. Roboflow 은 작업 공간을 공개하는 경우 YOLOv5 과 함께 무료로 사용할 수 있습니다.

업로드

웹 UI, REST API를 통해 Roboflow 에 데이터를 업로드하거나 Python.

라벨링

Roboflow 에 데이터를 업로드한 후 데이터에 레이블을 지정하고 이전 레이블을 검토할 수 있습니다.

버전 관리

You can make versions of your dataset with different preprocessing and offline augmentation options. YOLOv5 does online augmentations natively, so be intentional when layering Roboflow offline augmentations on top.

데이터 내보내기

YOLOv5 형식으로 데이터를 다운로드하여 빠르게 교육을 시작할 수 있습니다.

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")

맞춤형 교육

위의 모든 기능을 시연하는 사용자 지정 교육 튜토리얼을 공개했습니다. 여기에서 코드에 액세스할 수 있습니다:

능동적 학습

현실 세계는 복잡하기 때문에 데이터 집합이 예상하지 못한 상황에 직면하게 됩니다. 능동적 학습을 사용하는 것은 데이터 세트와 모델을 반복적으로 개선하기 위한 중요한 전략입니다. Roboflow 및 YOLOv5 통합을 통해 실전에서 검증된 머신 러닝 파이프라인을 사용하여 모델 배포를 빠르게 개선할 수 있습니다.

지원 환경

Ultralytics 는 바로 사용할 수 있는 다양한 환경을 제공하며, 각 환경에는 다음과 같은 필수 종속성이 사전 설치되어 있습니다. CUDA, CUDNN, Python, 및 PyTorch와 같은 필수 종속 요소를 설치하여 프로젝트를 시작할 수 있습니다.

• 무료 GPU 노트북:
• Google Cloud: GCP 빠른 시작 가이드
• Amazon: AWS 빠른 시작 가이드
• Azure: AzureML 빠른 시작 가이드
• Docker: Docker 빠른 시작 가이드

프로젝트 상태

이 배지는 모든 YOLOv5 GitHub Actions 지속적 통합(CI) 테스트가 성공적으로 통과되었음을 나타냅니다. 이러한 CI 테스트는 교육, 검증, 추론, 내보내기 및 벤치마크 등 다양한 주요 측면에서 YOLOv5 의 기능과 성능을 엄격하게 확인합니다. 24시간마다 그리고 새로운 커밋이 있을 때마다 테스트를 수행하여 macOS, Windows 및 Ubuntu에서 일관되고 안정적인 작동을 보장합니다.

자주 묻는 질문

YOLOv5 모델 학습을 위해 데이터를 Roboflow 에 업로드하려면 어떻게 해야 하나요?

웹사이트, REST API 또는 Python 의 세 가지 방법을 사용하여 데이터를 Roboflow 에 업로드할 수 있습니다. 이러한 옵션은 기술적 선호도나 프로젝트 요구 사항에 따라 유연하게 사용할 수 있습니다. 데이터를 업로드한 후에는 Ultralytics YOLOv5 모델을 사용하여 교육을 준비할 수 있도록 데이터를 정리하고, 레이블을 지정하고, 버전을 지정할 수 있습니다. 자세한 내용은 문서의 업로드 섹션을 참조하세요.

데이터 라벨링 및 버전 관리에 Roboflow 을 사용하면 어떤 이점이 있나요?

Roboflow 는 효율적인 머신 러닝 워크플로우에 필수적인 데이터 구성, 라벨링, 버전 관리를 위한 포괄적인 플랫폼을 제공합니다. YOLOv5 과 함께 Roboflow 을 사용하면 데이터 세트 준비 프로세스를 간소화하여 데이터에 정확하게 주석을 달고 일관된 버전을 유지할 수 있습니다. 이 플랫폼은 또한 데이터 세트의 품질을 향상시키기 위한 다양한 전처리 및 오프라인 증강 옵션을 지원합니다. 이러한 기능에 대해 자세히 알아보려면 설명서의 라벨링 및 버전 관리 섹션을 참조하세요.

데이터 집합을 Roboflow 에서 YOLOv5 형식으로 내보내려면 어떻게 해야 하나요?

데이터셋을 Roboflow 에서 YOLOv5 형식으로 내보내는 방법은 간단합니다. 문서에 제공된 Python 코드 스니펫을 사용하면 됩니다:

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")

이 코드는 YOLOv5 와 호환되는 형식으로 데이터 세트를 다운로드하여 모델 학습을 빠르게 시작할 수 있도록 합니다. 자세한 내용은 데이터 내보내기 섹션을 참조하세요.

능동적 학습이란 무엇이며 YOLOv5 및 Roboflow 에서 어떻게 작동하나요?

능동 학습은 레이블을 지정할 가장 유익한 데이터 포인트를 지능적으로 선택하여 모델을 반복적으로 개선하는 머신 러닝 전략입니다. Roboflow 및 YOLOv5 통합을 통해 능동 학습을 구현하여 모델의 성능을 지속적으로 향상시킬 수 있습니다. 여기에는 모델을 배포하고, 새로운 데이터를 캡처하고, 모델을 사용하여 예측을 한 다음, 이러한 예측을 수동으로 확인하거나 수정하여 모델을 추가로 학습시키는 과정이 포함됩니다. 능동 학습에 대한 자세한 내용은 위의 능동 학습 섹션을 참조하세요.

다른 플랫폼에서 YOLOv5 모델을 교육하기 위해 Ultralytics 환경을 사용하려면 어떻게 해야 하나요?

Ultralytics 는 CUDA, CUDNN, Python, 및 PyTorch와 같은 종속 요소가 설치되어 있어 교육 프로젝트를 쉽게 시작할 수 있습니다. 이러한 환경은 Google Cloud, AWS, Azure 및 Docker와 같은 다양한 플랫폼에서 사용할 수 있습니다. 또한 다음을 통해 무료 GPU 노트북에 액세스할 수 있습니다. Paperspace, Google Colab 및 Kaggle. 구체적인 설정 지침은 문서의 지원되는 환경 섹션을 참조하세요.

📅1 년 전 생성됨 ✏️ 업데이트됨 16 일 전

댓글