Roboflow#

O Roboflow fornece ferramentas para rotulagem de dados e exportação de conjuntos de dados em vários formatos, incluindo YOLO. Este guia aborda a rotulagem, exportação e implantação de dados para modelos Ultralytics YOLO.

Este guia demonstra como encontrar, rotular e organizar dados para treinar um modelo Ultralytics YOLO26 personalizado usando o Roboflow.

• Coletar Dados para Treinamento
• Rotular Dados
• Gerenciamento de Conjuntos de Dados
• Exportar Dados
• Implantar Modelos
• Avaliar Modelos
• FAQ

Coletar Dados para Treinamento de um Modelo YOLO26 Personalizado#

O Roboflow oferece dois serviços principais para auxiliar na coleta de dados para modelos YOLO da Ultralytics: Universe e Collect. Para informações mais gerais sobre estratégias de coleta de dados, consulte nosso Guia de Coleta e Anotação de Dados.

Roboflow Universe#

O Roboflow Universe é um repositório online de conjuntos de dados de visão. Podes exportar conjuntos de dados no formato YOLO para uso com modelos Ultralytics.

Roboflow Collect#

Se preferir coletar imagens por conta própria, o Roboflow Collect é um projeto open-source que permite a coleta automática de imagens via webcam em dispositivos de borda. Você pode usar prompts de texto ou imagem para especificar os dados a serem coletados, ajudando a capturar apenas as imagens necessárias para seu modelo de visão.

Carregar, Converter e Rotular Dados para o Formato YOLO26#

O Roboflow Annotate é uma ferramenta online para rotular imagens para várias tarefas de visão computacional, incluindo detecção de objetos, classificação e segmentação.

Para rotular dados para um modelo YOLO da Ultralytics, cria um projeto no Roboflow, carrega as tuas imagens e começa a anotar.

Ferramentas de Anotação#

• Anotação de Caixa Delimitadora: Prime B ouclica no ícone de caixa. Clica e arrasta para criar a caixa delimitadora. Uma janela pop-up solicitará que seleciones uma classe para a anotação.
• Anotação de Polígono: Usada para segmentação de instâncias. Prime P ou clica no ícone de polígono. Clica nos pontos ao redor do objeto para desenhar o polígono.

Assistente de Rótulos (Integração SAM)#

O Roboflow integra um assistente de rotulagem baseado no Segment Anything Model (SAM) para potencialmente acelerar a anotação.

Para usar o assistente de rótulos, clique no ícone do cursor na barra lateral. O SAM será ativado para seu projeto.

Passe o mouse sobre um objeto e o SAM poderá sugerir uma anotação. Clique para aceitar a anotação. Você pode refinar a precisão da anotação clicando dentro ou fora da área sugerida.

Marcação (Tagging)#

Você pode adicionar tags às imagens usando o painel Tags na barra lateral. As tags podem representar atributos como local, fonte da câmera, etc. Essas tags permitem que você pesquise imagens específicas e gere versões de conjuntos de dados contendo imagens com tags particulares.

Assistente de Rótulos (Baseado em Modelo)#

Modelos hospedados no Roboflow podem ser usados com o Label Assist para sugerir anotações. Carregue os pesos do seu modelo YOLO para o Roboflow (veja as instruções abaixo), depois ative o Label Assist através do ícone de varinha mágica na barra lateral.

Gerenciamento de Conjunto de Dados para YOLO26#

O Roboflow fornece várias ferramentas para entender e gerenciar os teus conjuntos de dados de visão computacional.

Pesquisa de Conjunto de Dados#

Use a pesquisa de conjunto de dados para encontrar imagens com base em descrições de texto ou rótulos/tags específicos. Acesse este recurso clicando em "Dataset" na barra lateral.

Verificação de Saúde#

Antes do treinamento, use o Roboflow Health Check para obter insights sobre seu conjunto de dados e identificar possíveis melhorias. Acesse-o através do link "Health Check" na barra lateral. Ele fornece estatísticas sobre tamanhos de imagem, equilíbrio de classes, mapas de calor de anotação e mais.

O Health Check pode sugerir alterações para aprimorar o desempenho, como abordar desequilíbrios de classe identificados no recurso de balanço de classes. Entender a saúde do conjunto de dados é crucial para o treinamento de modelos eficaz.

Pré-processar e Aumentar Dados para Robustez do Modelo#

Para exportar os teus dados, precisas de criar uma versão do conjunto de dados, que é um instantâneo do teu conjunto de dados em um momento específico. Clica em "Versions" na barra lateral e depois em "Create New Version". Aqui, podes aplicar etapas de pré-processamento e aumentos de dados para potencialmente aumentar a robustez do modelo.

Para cada aumento selecionado, uma janela pop-up permite ajustar finamente seus parâmetros, como o brilho. O aumento adequado pode melhorar significativamente a generalização do modelo, um conceito-chave discutido em nosso guia de dicas de treinamento de modelos.

Exportar Dados em 40+ Formatos para Treinamento de Modelo#

Assim que a versão do seu conjunto de dados for gerada, você poderá exportá-la em vários formatos adequados para o treinamento do modelo. Clique no botão "Export Dataset" na página da versão.

Seleciona o formato "YOLO26" para compatibilidade com os pipelines de treinamento da Ultralytics. Estás agora pronto para treinar o teu modelo YOLO26 personalizado. Consulta a documentação do modo Train da Ultralytics para instruções detalhadas sobre como iniciar o treinamento com o teu conjunto de dados exportado.

Carregar Pesos do Modelo YOLO26 Personalizado para Teste e Implantação#

O Roboflow oferece uma API escalável para modelos implantados e SDKs compatíveis com dispositivos como NVIDIA Jetson, Luxonis OAK, Raspberry Pi e sistemas baseados em GPU. Explora várias opções de implantação de modelos em nossos guias.

Podes implantar modelos YOLO26 enviando os seus pesos para o Roboflow usando um script Python simples.

Crie um novo arquivo Python e adicione o seguinte código:

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 YOLO26 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'
dataset.deploy(
    model_type="yolov8",
    model_path=MODEL_PATH,
)  # Note: Use "yolov8" as model_type for YOLO26 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.")

Neste código, substitui your-workspace-id, your-project-id, o número VERSION e o MODEL_PATH pelos valores específicos da tua conta do Roboflow, projeto e diretório de resultados de treinamento local. Certifica-te de que MODEL_PATH aponta corretamente para o diretório que contém o teu arquivo de pesos best.pt treinado.

Ao executar o código acima, você será solicitado a autenticar (geralmente via chave de API). Então, seu modelo será carregado e um endpoint de API será criado para seu projeto. Este processo pode levar até 30 minutos para ser concluído.

Para testar seu modelo e encontrar instruções de implantação para SDKs compatíveis, vá para a aba "Deploy" na barra lateral do Roboflow. No topo desta página, um widget aparecerá permitindo que você teste seu modelo usando sua webcam ou carregando imagens ou vídeos.

Seu modelo carregado também pode ser usado como assistente de rotulagem, sugerindo anotações em novas imagens com base em seu treinamento.

Como Avaliar Modelos YOLO26#

O Roboflow fornece recursos para avaliar o desempenho do modelo. Entender as métricas de desempenho é crucial para a iteração do modelo.

Após carregar um modelo, acesse a ferramenta de avaliação de modelo através da página do seu modelo no painel do Roboflow. Clique em "View Detailed Evaluation."

Esta ferramenta exibe uma matriz de confusão que ilustra o desempenho do modelo e um gráfico de análise vetorial interativo usando incorporações CLIP. Esses recursos ajudam a identificar áreas para melhoria do modelo.

O pop-up da matriz de confusão:

Passe o mouse sobre as células para ver os valores e clique nas células para visualizar as imagens correspondentes com as previsões do modelo e dados de ground truth.

Clique em "Vector Analysis" para um gráfico de dispersão que visualiza a similaridade de imagens com base em embeddings CLIP. Imagens mais próximas são semanticamente semelhantes. Os pontos representam imagens, coloridas de branco (bom desempenho) a vermelho (mau desempenho).

A Análise Vetorial ajuda a:

• Identificar clusters de imagens.
• Localizar clusters onde o modelo tem baixo desempenho.
• Entender as comunalidades entre imagens que causam mau desempenho.

Recursos de Aprendizado#

• Treinar YOLO em um Conjunto de Dados Personalizado (Colab): Notebook interativo do Google Colab para treinar com os teus dados.
• Documentação do Ultralytics YOLO: Treinamento, exportação e implantação de modelos YOLO.
• Blog da Ultralytics: Artigos sobre visão computacional e treinamento de modelos.
• YouTube da Ultralytics: Guias em vídeo sobre treinamento e implantação de modelos.

FAQ#