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

Roboflow 웹 UI, REST API 또는 Python.

라벨링

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

버전 관리

다양한 전처리 및 오프라인 증강 옵션을 사용하여 데이터 집합의 버전을 만들 수 있습니다. YOLOv5 은 기본적으로 온라인 증강을 수행하므로 Roboflow 의 오프라인 증강을 위에 겹쳐 놓을 때 의도적으로 사용해야 합니다.

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 CUDA, CUDNN과 같은 필수 종속성이 사전 설치되어 있습니다, Python및 PyTorch와 같은 필수 종속 요소가 사전 설치되어 있어 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.

댓글