Roboflow Conjuntos de dados
Agora podes utilizar Roboflow para organizar, rotular, preparar, versionar e alojar os teus conjuntos de dados para treinar modelos YOLOv5 🚀. Roboflow é gratuito para utilizar com YOLOv5 se tornares o teu espaço de trabalho público.
Concessão de licenças
Ultralytics oferece duas opções de licenciamento:
- A licençaAGPL-3.0 , uma licença de código aberto aprovada pela OSI, ideal para estudantes e entusiastas.
- A Licença Empresarial para empresas que pretendem incorporar os nossos modelos de IA nos seus produtos e serviços.
Para mais informações, 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.
Criação de versões
Podes criar versões do teu conjunto de dados com diferentes opções de pré-processamento e de aumento offline. YOLOv5 faz aumentos online de forma nativa, por isso sê intencional quando colocares em camadas os aumentos offline do Roboflow.
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:
Aprendizagem ativa
O mundo real é confuso e o teu modelo irá invariavelmente encontrar situações que o teu conjunto de dados não previu. A utilização da aprendizagem ativa é uma estratégia importante para melhorar iterativamente o conjunto de dados e o modelo. Com a integração de Roboflow e YOLOv5 , podes rapidamente fazer melhorias nas implementações do teu modelo, utilizando um pipeline de aprendizagem automática testado em combate.
Ambientes suportados
Ultralytics fornece uma gama de ambientes prontos a utilizar, cada um pré-instalado com dependências essenciais, tais como CUDA, CUDNN, Python, e PyTorchpara dar início aos teus projectos.
- Grátis GPU Notebooks:
- Google Nuvem: Guia de início rápido do GCP
- Amazon: Guia de início rápido do AWS
- Azure: Guia de início rápido do AzureML
- Docker: Guia de início rápido do Docker
Estado do projeto
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.
FAQ
Como é que carrego dados para Roboflow para treinar modelos YOLOv5 ?
Podes carregar os teus dados para Roboflow utilizando três métodos diferentes: através do sítio Web, da API REST ou de Python. Estas opções oferecem flexibilidade, dependendo da tua preferência técnica ou dos requisitos do projeto. Depois de carregar os dados, podes organizá-los, rotulá-los e criar versões para os preparar para a formação com os modelos Ultralytics YOLOv5 . Para obter mais detalhes, visita a secção Upload da documentação.
Quais são as vantagens de utilizar Roboflow para a rotulagem e o controlo de versões dos dados?
Roboflow fornece uma plataforma abrangente para organização, rotulagem e controle de versão de dados, o que é essencial para fluxos de trabalho de aprendizado de máquina eficientes. Ao utilizar Roboflow com YOLOv5, pode simplificar o processo de preparação do conjunto de dados, assegurando que os dados são anotados com precisão e versionados de forma consistente. A plataforma também suporta várias opções de pré-processamento e de aumento offline para melhorar a qualidade do seu conjunto de dados. Para uma análise mais aprofundada destas funcionalidades, consulta as secções Etiquetagem e Controlo de versões da documentação.
Como é que posso exportar o meu conjunto de dados de Roboflow para o formato YOLOv5 ?
Exportar o teu conjunto de dados de Roboflow para o formato YOLOv5 é simples. Podes utilizar o trecho de código Python fornecido na documentação:
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")
Este código descarrega o conjunto de dados num formato compatível com YOLOv5, permitindo-te começar rapidamente a treinar o teu modelo. Para obter mais detalhes, consulta a secção Exportar dados.
O que é a aprendizagem ativa e como funciona com YOLOv5 e Roboflow?
A aprendizagem ativa é uma estratégia de aprendizagem automática que melhora iterativamente um modelo, seleccionando de forma inteligente os pontos de dados mais informativos para rotular. Com a integração dos sites Roboflow e YOLOv5 , é possível implementar a aprendizagem ativa para melhorar continuamente o desempenho do modelo. Isto envolve a implementação de um modelo, a captura de novos dados, a utilização do modelo para fazer previsões e, em seguida, a verificação ou correção manual dessas previsões para continuar a treinar o modelo. Para obter mais informações sobre a aprendizagem ativa, consulta a secção Aprendizagem ativa acima.
Como posso utilizar os ambientes Ultralytics para treinar os modelos YOLOv5 em diferentes plataformas?
Ultralytics fornece ambientes prontos a usar com dependências pré-instaladas como CUDA, CUDNN, Python, e PyTorch, facilitando o arranque dos teus projectos de formação. Estes ambientes estão disponíveis em várias plataformas, como Google Cloud, AWS, Azure e Docker. Também podes aceder gratuitamente aos notebooks GPU através de PaperspaceGoogle Colab, e Kaggle. Para obter instruções de configuração específicas, visita a secção Ambientes suportados da documentação.
