Roboflow#

O Roboflow oferece 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 implantação de dados para modelos Ultralytics YOLO.

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

• Reunir dados para treinamento
• Rotular dados
• Gerenciamento de conjuntos de dados
• Exportar dados
• Implantar modelos
• Avaliar modelos
• Perguntas frequentes

Reunir dados para treinar um modelo YOLO26 personalizado#

O Roboflow oferece dois serviços principais para ajudar a coletar dados para modelos YOLO da Ultralytics: Universe e Collect. Para obter 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 on-line de conjuntos de dados de visão computacional. Você pode exportar conjuntos de dados no formato YOLO para usar com modelos da Ultralytics.

Roboflow Collect#

Se preferir reunir imagens por conta própria, o Roboflow Collect é um projeto de código aberto que permite coletar imagens automaticamente por meio de uma webcam em dispositivos de borda. Você pode usar comandos de texto ou imagens para especificar os dados a serem coletados, ajudando a capturar apenas as imagens necessárias para seu modelo de visão computacional.

Enviar, converter e rotular dados no formato YOLO26#

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

Para rotular dados para um modelo YOLO da Ultralytics, crie um projeto no Roboflow, envie suas imagens e comece a anotá-las.

Ferramentas de anotação#

• Anotação de caixas delimitadoras: Pressione B ou clique no ícone da caixa. Clique e arraste para criar a caixa delimitadora. Uma janela pop-up solicitará que você selecione uma classe para a anotação.
• Anotação de polígonos: Usada para segmentação de instâncias. Pressione P ou clique no ícone do polígono. Clique em pontos ao redor do objeto para desenhar o polígono.

Assistente de rotulagem (integração com SAM)#

O Roboflow integra um assistente de rotulagem baseado no Modelo Segment Anything (SAM), que pode acelerar a anotação.

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

Passe o cursor 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#

Você pode adicionar marcações às imagens usando o painel Tags na barra lateral. As marcações podem representar atributos como localização, origem da câmera etc. Elas permitem pesquisar imagens específicas e gerar versões do conjunto de dados que contenham imagens com determinadas marcações.

Label Assist (com base em modelo)#

Você pode usar modelos hospedados no Roboflow com o Label Assist para sugerir anotações. Envie os pesos do seu modelo YOLO para o Roboflow (consulte as instruções abaixo) e, em seguida, ative o Label Assist pelo ícone da varinha mágica na barra lateral.

Gerenciamento de conjuntos de dados para YOLO26#

O Roboflow oferece várias ferramentas para entender e gerenciar seus conjuntos de dados de visão computacional.

Pesquisa de conjuntos de dados#

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

Verificação de integridade#

Antes do treinamento, use o Health Check do Roboflow para entender melhor seu conjunto de dados e identificar possíveis melhorias. Acesse esse recurso pelo link "Health Check" na barra lateral. Ele fornece estatísticas sobre tamanhos de imagem, equilíbrio entre classes, mapas de calor das anotações e muito mais.

O Health Check pode sugerir alterações para melhorar o desempenho, como corrigir desequilíbrios entre classes identificados no recurso de equilíbrio entre classes. Entender a integridade do conjunto de dados é essencial para um treinamento eficaz do modelo.

Pré-processar e aumentar os dados para tornar o modelo mais robusto#

Para exportar seus dados, você precisa criar uma versão do conjunto de dados, que é um retrato do conjunto em um momento específico. Clique em "Versions" na barra lateral e, em seguida, em "Create New Version". Aqui, você pode aplicar etapas de pré-processamento e aumentos de dados para potencialmente melhorar a robustez do modelo.

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

Exporte dados em mais de 40 formatos para treinamento de modelos#

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

Selecione o formato "YOLO26" para garantir a compatibilidade com os pipelines de treinamento da Ultralytics. Agora você está pronto para treinar seu modelo YOLO26 personalizado. Consulte a documentação do modo Train da Ultralytics para ver instruções detalhadas sobre como iniciar o treinamento com o conjunto de dados exportado.

Envie os pesos do seu 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 com GPU. Explore vários métodos de implantação de modelos em nossos guias.

Você pode implantar modelos YOLO26 enviando seus pesos para o Roboflow com 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, substitua your-workspace-id, your-project-id, o número VERSION e MODEL_PATH pelos valores específicos da sua conta e do seu projeto no Roboflow, bem como pelo diretório local dos resultados do treinamento. Verifique se MODEL_PATH aponta corretamente para o diretório que contém o arquivo de pesos treinados best.pt.

Ao executar o código acima, será solicitado que você se autentique (geralmente com uma chave de API). Em seguida, seu modelo será enviado e um endpoint de API será criado para seu projeto. Esse processo pode levar até 30 minutos.

Para testar seu modelo e encontrar instruções de implantação para os SDKs compatíveis, acesse a guia "Deploy" na barra lateral do Roboflow. Na parte superior desta página, um widget permitirá testar seu modelo usando sua webcam ou enviando imagens ou vídeos.

Seu modelo enviado também pode ser usado como assistente de rotulagem, sugerindo anotações para novas imagens com base no treinamento.

Como avaliar modelos YOLO26#

O Roboflow oferece recursos para avaliar o desempenho dos modelos. Entender as métricas de desempenho é essencial para iterar sobre os modelos.

Depois de enviar um modelo, acesse a ferramenta de avaliação na página do 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 interativo de análise vetorial que usa embeddings do CLIP. Esses recursos ajudam a identificar pontos a melhorar no modelo.

A janela pop-up da matriz de confusão:

Passe o cursor sobre as células para ver os valores e clique nelas para visualizar as imagens correspondentes com as previsões do modelo e os dados de referência.

Clique em "Vector Analysis" para ver um gráfico de dispersão que representa a similaridade entre imagens com base nos embeddings do CLIP. Imagens próximas umas das outras são semanticamente semelhantes. Os pontos representam imagens e têm cores que vão do branco (bom desempenho) ao vermelho (baixo desempenho).

A análise vetorial ajuda a:

• Identificar agrupamentos de imagens.
• Encontrar agrupamentos em que o modelo tem baixo desempenho.
• Entender o que as imagens que levam a um baixo desempenho têm em comum.

Recursos de aprendizado#

• Treinar YOLO com um conjunto de dados personalizado (Colab): notebook interativo do Google Colab para treinar com seus 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.

Perguntas frequentes#