Overslaan naar inhoud

Roboflow Datasets

Je kunt nu Roboflow gebruiken om je datasets te organiseren, labelen, voorbereiden, versiebeheer en hosten voor het trainen van YOLOv5 šŸš€ modellen. Roboflow is gratis te gebruiken met YOLOv5 als je je werkruimte openbaar maakt.

Licentie

Ultralytics biedt twee licentie-opties:

Zie Ultralytics Licenties voor meer informatie.

uploaden

Je kunt je gegevens uploaden naar Roboflow via de web UI, REST API, of Python.

Label

Na het uploaden van gegevens naar Roboflow kun je je gegevens labelen en eerdere labels bekijken.

Roboflow Annoteren

Versiebeheer

Je kunt versies van je dataset maken met verschillende opties voor voorbewerking en offline augmentatie. YOLOv5 doet van nature online augmentaties, dus wees oplettend als je Roboflow's offline augmentaties erop legt.

Roboflow Voorbewerking

Gegevens exporteren

Je kunt je gegevens downloaden in YOLOv5 formaat om snel te beginnen met trainen.

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")

Training op maat

We hebben een aangepaste trainingshandleiding uitgebracht die alle bovenstaande mogelijkheden demonstreert. Je hebt hier toegang tot de code:

Open in Colab

Actief leren

De echte wereld is rommelig en je model zal altijd situaties tegenkomen die je dataset niet had voorzien. Het gebruik van actief leren is een belangrijke strategie om je dataset en model iteratief te verbeteren. Met de integratie van Roboflow en YOLOv5 kun je snel verbeteringen aanbrengen in je modelimplementaties door gebruik te maken van een beproefde machine learning pipeline.

Roboflow actief leren

Ondersteunde omgevingen

Ultralytics biedt een reeks kant-en-klare omgevingen, elk vooraf geĆÆnstalleerd met essentiĆ«le afhankelijkheden zoals CUDA, CUDNN, Python, en PyTorchom je projecten een kickstart te geven.

Projectstatus

YOLOv5 CI

Deze badge geeft aan dat alle YOLOv5 GitHub Actions Continuous Integration (CI) tests met succes zijn doorstaan. Deze CI-tests controleren rigoureus de functionaliteit en prestaties van YOLOv5 op verschillende belangrijke aspecten: training, validatie, inferentie, export en benchmarks. Ze zorgen voor een consistente en betrouwbare werking op macOS, Windows en Ubuntu, met tests die elke 24 uur en bij elke nieuwe commit worden uitgevoerd.

FAQ

Hoe upload ik gegevens naar Roboflow voor het trainen van YOLOv5 modellen?

Je kunt je gegevens uploaden naar Roboflow op drie verschillende manieren: via de website, de REST API of via Python. Deze opties bieden flexibiliteit afhankelijk van je technische voorkeur of projectvereisten. Zodra je gegevens zijn geĆ¼pload, kun je ze ordenen, labelen en versiebeheer ter voorbereiding op het trainen met Ultralytics YOLOv5 modellen. Ga voor meer informatie naar het gedeelte Uploaden in de documentatie.

Wat zijn de voordelen van het gebruik van Roboflow voor gegevenslabeling en versiebeheer?

Roboflow biedt een uitgebreid platform voor het organiseren, labelen en versiebeheer van gegevens, wat essentieel is voor efficiƫnte workflows voor machinaal leren. Door Roboflow te gebruiken met YOLOv5 kun je het proces van datasetvoorbereiding stroomlijnen en ervoor zorgen dat je data nauwkeurig geannoteerd en consistent geversioneerd is. Het platform ondersteunt ook verschillende opties voor voorbewerking en offline augmentatie om de kwaliteit van je dataset te verbeteren. Voor meer informatie over deze functies, zie de delen Labeling en Versioning in de documentatie.

Hoe kan ik mijn dataset exporteren van Roboflow naar YOLOv5 ?

Het exporteren van je dataset van Roboflow naar YOLOv5 is eenvoudig. Je kunt het codefragment Python uit de documentatie gebruiken:

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")

Deze code downloadt je dataset in een formaat dat compatibel is met YOLOv5, zodat je snel kunt beginnen met het trainen van je model. Raadpleeg de sectie Gegevens exporteren voor meer informatie.

Wat is actief leren en hoe werkt het met YOLOv5 en Roboflow?

Actief leren is een strategie voor machinaal leren die een model iteratief verbetert door op intelligente wijze de meest informatieve gegevenspunten te selecteren om te labelen. Met de integratie van Roboflow en YOLOv5 kun je actief leren implementeren om de prestaties van je model voortdurend te verbeteren. Dit houdt in dat je een model inzet, nieuwe gegevens vastlegt, het model gebruikt om voorspellingen te doen en vervolgens die voorspellingen handmatig verifieert of corrigeert om het model verder te trainen. Voor meer inzichten in actief leren, zie het gedeelte Actief leren hierboven.

Hoe kan ik Ultralytics omgevingen gebruiken voor het trainen van YOLOv5 modellen op verschillende platforms?

Ultralytics biedt kant-en-klare omgevingen met vooraf geĆÆnstalleerde afhankelijkheden zoals CUDA, CUDNN, Python, en PyTorch, waardoor het eenvoudiger wordt om je trainingsprojecten te starten. Deze omgevingen zijn beschikbaar op verschillende platforms zoals Google Cloud, AWS, Azure en Docker. Je hebt ook toegang tot gratis GPU notebooks via PaperspaceGoogle Colab en Kaggle. Ga voor specifieke installatie-instructies naar het gedeelte Ondersteunde omgevingen in de documentatie.



Gemaakt op 2023-11-12, Bijgewerkt op 2024-07-05
Auteurs: glenn-jocher (8)

Reacties