Salta para o conte√ļdo

Roboflow Conjuntos de dados

Agora podes utilizar Roboflow para organizar, rotular, preparar, versionar e alojar os teus conjuntos de dados para treinar modelos YOLOv5 ūüöÄ. Roboflow √© gratuito para utilizar com YOLOv5 se tornares o teu espa√ßo de trabalho p√ļblico.

Concessão de licenças

Ultralytics oferece duas op√ß√Ķes de licenciamento:

Para mais informa√ß√Ķes, consulta Ultralytics Licensing.

Carrega

Podes carregar os teus dados para Roboflow através da interface Web, da API REST ou do Python.

Etiquetagem

Depois de carregar os dados para Roboflow, podes etiquetar os teus dados e rever as etiquetas anteriores.

Roboflow Anotar

Cria√ß√£o de vers√Ķes

Podes criar vers√Ķes do teu conjunto de dados com diferentes op√ß√Ķes de pr√©-processamento e de aumento offline. YOLOv5 faz aumentos online de forma nativa, por isso s√™ intencional quando colocares em camadas os aumentos offline do Roboflow.

Roboflow Pré-processamento

Exportação de dados

Podes descarregar os teus dados no formato YOLOv5 para começares rapidamente a treinar.

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")

Formação personalizada

Lançámos um tutorial de formação personalizado que demonstra todas as capacidades acima referidas. Podes aceder ao código aqui:

Abre em Colab

Aprendizagem ativa

O mundo real √© confuso e o teu modelo ir√° invariavelmente encontrar situa√ß√Ķes que o teu conjunto de dados n√£o previu. A utiliza√ß√£o da aprendizagem ativa √© uma estrat√©gia importante para melhorar iterativamente o conjunto de dados e o modelo. Com a integra√ß√£o de Roboflow e YOLOv5 , podes rapidamente fazer melhorias nas implementa√ß√Ķes do teu modelo, utilizando um pipeline de aprendizagem autom√°tica testado em combate.

Roboflow aprendizagem ativa

Ambientes suportados

Ultralytics fornece uma gama de ambientes prontos a utilizar, cada um pré-instalado com dependências essenciais como CUDA, CUDNN, Python, e PyTorchpara dar início aos teus projectos.

Estado do projeto

YOLOv5 CI

Este emblema indica que todos os testes de Integração Contínua (CI) do YOLOv5 GitHub Actions foram aprovados com êxito. Esses testes de CI verificam rigorosamente a funcionalidade e o desempenho do YOLOv5 em vários aspectos principais: treinamento, validação, inferência, exportação e benchmarks. Eles garantem uma operação consistente e confiável no macOS, Windows e Ubuntu, com testes realizados a cada 24 horas e a cada novo commit.



Created 2023-11-12, Updated 2024-06-02
Authors: glenn-jocher (7)

Coment√°rios