Roboflow#

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

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

• Recolher dados para treino
• Rotular dados
• Gestão de conjuntos de dados
• Exportar dados
• Implementar modelos
• Avaliar modelos
• FAQ

Recolher dados para treinar um modelo YOLO26 personalizado#

A Roboflow oferece dois serviços principais para ajudar na recolha de dados para modelos YOLO da Ultralytics: Universe e Collect. Para obteres informações mais gerais sobre estratégias de recolha de dados, consulta o nosso Guia de Recolha e Anotação de Dados.

Roboflow Universe#

A Roboflow Universe é um repositório online de conjuntos de dados de visão computacional. Podes exportar conjuntos de dados no formato YOLO para utilização com modelos da Ultralytics.

Roboflow Collect#

Se preferires recolher imagens por tua conta, o Roboflow Collect é um projeto de código aberto que permite a recolha automática de imagens através de uma webcam em dispositivos edge. Podes utilizar prompts de texto ou de imagem para especificar os dados a recolher, ajudando a capturar apenas as imagens necessárias para o teu modelo de visão.

Carregar, converter e rotular dados no formato YOLO26#

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

Para rotular dados para um modelo YOLO da Ultralytics, cria um projeto na Roboflow, carrega as tuas imagens e começa a fazer as anotações.

Ferramentas de Anotação#

• Anotação de caixas delimitadoras: prime B ou clica no ícone da caixa. Clica e arrasta para criar a caixa delimitadora. Uma janela pop-up pedir-te-á para selecionares uma classe para a anotação.
• Anotação de polígonos: utilizada para a segmentação de instâncias. Prime P ou clica no ícone do polígono. Clica em pontos à volta do objeto para desenhar o polígono.

Assistente de rotulagem (integração com SAM)#

A Roboflow integra um assistente de rotulagem baseado no Modelo que Segmenta Tudo (SAM) para potencialmente acelerar a anotação.

Para utilizares o assistente de rotulagem, clica no ícone do cursor na barra lateral. O SAM será ativado para o teu projeto.

Passa o cursor sobre um objeto e o SAM poderá sugerir uma anotação. Clica para aceitar a anotação. Podes ajustar a especificidade da anotação clicando dentro ou fora da área sugerida.

Etiquetagem#

Podes adicionar etiquetas às imagens utilizando o painel Tags na barra lateral. As etiquetas podem representar atributos como localização, fonte da câmara, etc. Estas etiquetas permitem procurar imagens específicas e gerar versões de conjuntos de dados que contenham imagens com determinadas etiquetas.

Assistente de rotulagem (baseado em modelos)#

Os modelos alojados na Roboflow podem ser utilizados com o Label Assist para sugerir anotações. Carrega os pesos do teu modelo YOLO para a Roboflow (consulta as instruções abaixo) e, em seguida, ativa o Label Assist através do ícone da varinha mágica na barra lateral.

Gestão de conjuntos de dados para YOLO26#

A Roboflow fornece várias ferramentas para compreender e gerir os teus conjuntos de dados de visão computacional.

Pesquisa de conjuntos de dados#

Utiliza a pesquisa de conjuntos de dados para encontrares imagens com base em descrições de texto ou em etiquetas específicas. Acede a esta funcionalidade clicando em "Dataset" na barra lateral.

Verificação de integridade#

Antes do treino, utiliza o Roboflow Health Check para obter informações sobre o teu conjunto de dados e identificar possíveis melhorias. Acede a esta funcionalidade através da ligação "Health Check" na barra lateral. Esta fornece estatísticas sobre os tamanhos das imagens, o equilíbrio das classes, mapas de calor das anotações, entre outros dados.

O Health Check poderá sugerir alterações para melhorar o desempenho, como corrigir desequilíbrios entre classes identificados na funcionalidade de equilíbrio das classes. Compreender a integridade do conjunto de dados é essencial para um treino eficaz do modelo.

Pré-processar e aumentar dados para robustez do modelo#

Para exportares os teus dados, tens de criar uma versão do conjunto de dados, que é um instantâneo do teu conjunto de dados num determinado momento. Clica em "Versions" na barra lateral e, em seguida, em "Create New Version". Aqui, podes aplicar passos de pré-processamento e aumentos de dados para melhorar potencialmente a robustez do modelo.

Para cada aumento selecionado, uma janela pop-up permite ajustar parâmetros como o brilho. Um aumento adequado pode melhorar significativamente a generalização do modelo, um conceito fundamental abordado no nosso guia de dicas para o treino de modelos.

Exportar dados em mais de 40 formatos para treino de modelos#

Depois de gerares a versão do teu conjunto de dados, podes exportá-la em vários formatos adequados para o treino de modelos. Clica no botão "Export Dataset" na página da versão.

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

Carregar pesos de um modelo YOLO26 personalizado para teste e implementação#

A Roboflow oferece uma API escalável para modelos implementados e SDKs compatíveis com dispositivos como o NVIDIA Jetson, o Luxonis OAK, o Raspberry Pi e sistemas baseados em GPU. Explora várias opções de implementação de modelos nos nossos guias.

Podes implementar modelos YOLO26 carregando os respetivos pesos para a Roboflow através de um simples script em Python.

Cria um novo ficheiro Python e adiciona 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 MODEL_PATH pelos valores específicos da tua conta Roboflow, do teu projeto e do diretório local com os resultados do treino. Certifica-te de que MODEL_PATH aponta corretamente para o diretório que contém o teu ficheiro de pesos best.pt treinado.

Quando executares o código acima, ser-te-á pedido que te autentiques (normalmente através de uma chave de API). Em seguida, o teu modelo será carregado e será criado um endpoint de API para o teu projeto. Este processo pode demorar até 30 minutos.

Para testares o teu modelo e encontrares instruções de implementação para SDKs compatíveis, acede ao separador "Deploy" na barra lateral da Roboflow. No topo desta página, será apresentado um widget que te permite testar o teu modelo utilizando a webcam ou carregando imagens ou vídeos.

O teu modelo carregado também pode ser utilizado como assistente de rotulagem, sugerindo anotações em novas imagens com base no respetivo treino.

Como avaliar modelos YOLO26#

A Roboflow fornece funcionalidades para avaliar o desempenho dos modelos. Compreender as métricas de desempenho é essencial para iterar sobre o modelo.

Depois de carregares um modelo, acede à ferramenta de avaliação do modelo através da página do teu modelo no painel da Roboflow. Clica em "View Detailed Evaluation".

Esta ferramenta apresenta uma matriz de confusão que ilustra o desempenho do modelo e um gráfico interativo de análise vetorial que utiliza embeddings CLIP. Estas funcionalidades ajudam a identificar áreas de melhoria do modelo.

A janela pop-up da matriz de confusão:

Passa o cursor sobre as células para veres os valores e clica nas células para veres as imagens correspondentes com as previsões do modelo e os dados de ground truth.

Clica em "Vector Analysis" para veres um gráfico de dispersão que representa a semelhança entre imagens com base nos embeddings CLIP. As imagens mais próximas são semanticamente semelhantes. Os pontos representam imagens e estão coloridos de branco (bom desempenho) a vermelho (mau desempenho).

A análise vetorial ajuda a:

• Identificar agrupamentos de imagens.
• Localizar agrupamentos nos quais o modelo tem um desempenho fraco.
• Compreender as características comuns entre as imagens que provocam um desempenho fraco.

Recursos de aprendizagem#

• Treinar YOLO num conjunto de dados personalizado (Colab): notebook interativo do Google Colab para treinares com os teus dados.
• Documentação do Ultralytics YOLO: treino, exportação e implementação de modelos YOLO.
• Blog da Ultralytics: artigos sobre visão computacional e treino de modelos.
• YouTube da Ultralytics: guias em vídeo sobre treino e implementação de modelos.

Perguntas frequentes#