Roboflow

Roboflow предоставляет инструменты для маркировки данных и экспорта наборов данных в различных форматах, включая YOLO. В этом руководстве рассматриваются маркировка, экспорт и развертывание данных для Ultralytics YOLO .

В этом руководстве показано, как находить, размечать и организовывать данные для обучения пользовательской модели Ultralytics YOLO26 с помощью Roboflow.

• Сбор данных для обучения
• Данные этикетки
• Управление набором данных
• Экспорт данных
• Развертывание моделей
• Оценить модели
• Часто задаваемые вопросы

Сбор данных для обучения пользовательской модели YOLO26

Roboflow предлагает два основных сервиса для помощи в сборе данных для моделей Ultralytics YOLO: Universe и Collect. Для получения более общей информации о стратегиях сбора данных обратитесь к нашему Руководству по сбору и аннотации данных.

Roboflow Universe

Roboflow — это онлайн-хранилище наборов данных для систем технического зрения. Вы можете экспортировать наборы данных в YOLO для использования с Ultralytics .

Roboflow Collect

Если вы предпочитаете собирать изображения самостоятельно, Roboflow Collect — это проект с открытым исходным кодом, позволяющий автоматически собирать изображения с помощью веб-камеры на периферийных устройствах. Вы можете использовать текстовые или графические подсказки, чтобы указать данные, которые необходимо собрать, помогая захватывать только необходимые изображения для вашей модели машинного зрения.

Загрузка, преобразование и разметка данных для формата YOLO26

Roboflow Annotate — это онлайн-инструмент для маркировки изображений для различных задач компьютерного зрения, включая обнаружение объектов, классификацию и сегментацию.

Для маркировки данных для Ultralytics YOLO , создайте проект в Roboflow, загрузите свои изображения и начните аннотировать.

Инструменты аннотирования

• Аннотация ограничивающих рамок: Нажмите B или щелкните значок рамки. Щелкните и перетащите, чтобы создать ограничивающего прямоугольника. В появившемся окне будет предложено выбрать класс для аннотации.
• Аннотация полигонов: Используется для сегментация экземпляров. Нажмите P или щелкните значок многоугольника. Щелкните точки вокруг объекта, чтобы нарисовать многоугольник.

Label Assistant (интеграция SAM)

Roboflow интегрирует помощника для маркировки на основе Segment Anything Model (SAM), чтобы потенциально ускорить аннотацию.

Чтобы использовать помощник по маркировке, щелкните значок курсора на боковой панели. SAM будет включен для вашего проекта.

Наведите указатель мыши на объект, и SAM может предложить аннотацию. Щелкните, чтобы принять аннотацию. Вы можете уточнить специфичность аннотации, щелкнув внутри или снаружи предложенной области.

Тегирование

Вы можете добавлять теги к изображениям, используя панель Tags на боковой панели. Теги могут представлять такие атрибуты, как местоположение, источник камеры и т. д. Эти теги позволяют искать определенные изображения и создавать версии набора данных, содержащие изображения с определенными тегами.

Label Assist (на основе модели)

Модели, размещенные на Roboflow использовать с Label Assist для предложения аннотаций. Загрузите веса вашей YOLO в Roboflow см. инструкции ниже), затем активируйте Label Assist с помощью значка волшебной палочки в боковой панели.

Управление наборами данных для YOLO26

Roboflow предоставляет несколько инструментов для понимания и управления вашими наборами данных компьютерного зрения.

Поиск набора данных

Используйте поиск по набору данных, чтобы найти изображения на основе текстовых описаний или определенных меток/тегов. Доступ к этой функции можно получить, нажав «Набор данных» на боковой панели.

Проверка работоспособности (Health Check)

Перед обучением используйте Roboflow Health Check, чтобы получить представление о своем наборе данных и определить потенциальные улучшения. Получите к нему доступ через ссылку "Health Check" на боковой панели. Он предоставляет статистику по размерам изображений, балансу классов, тепловым картам аннотаций и многому другому.

Проверка работоспособности (Health Check) может предложить изменения для повышения производительности, например, устранение дисбаланса классов, выявленного в функции баланса классов. Понимание состояния набора данных имеет решающее значение для эффективного обучения модели.

Предварительная обработка и расширение данных для устойчивости модели

Чтобы экспортировать ваши данные, вам необходимо создать версию набора данных, которая является снимком вашего набора данных в определенный момент времени. Нажмите «Versions» на боковой панели, затем «Create New Version». Здесь вы можете применить этапы предварительной обработки и аугментацию данных, чтобы потенциально повысить устойчивость модели.

Для каждой выбранной аугментации всплывающее окно позволяет точно настроить ее параметры, такие как яркость. Правильная аугментация может значительно улучшить обобщение модели, ключевую концепцию, обсуждаемую в нашем руководстве по советам по обучению моделей.

Экспорт данных в 40+ форматах для обучения моделей

После создания версии набора данных вы можете экспортировать ее в различных форматах, подходящих для обучения модели. Нажмите кнопку «Экспорт набора данных» на странице версии.

Выберите формат «YOLO26» для совместимости с конвейерами обучения Ultralytics. Теперь вы готовы обучить свою пользовательскую модель YOLO26. Обратитесь к документации по режиму обучения Ultralytics для получения подробных инструкций по началу обучения с вашим экспортированным набором данных.

Загрузка пользовательских весов модели YOLO26 для тестирования и развертывания

Roboflow предлагает масштабируемый API для развернутых моделей и SDK, совместимые с такими устройствами, как NVIDIA Jetson, Luxonis OAK, Raspberry Pi и системы на базе GPU. Ознакомьтесь с различными вариантами развертывания моделей в наших руководствах.

Вы можете развертывать модели YOLO26, загружая их веса в Roboflow с помощью простого скрипта на Python.

Создайте новый Python-файл и добавьте следующий код:

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.")

В этом коде замените your-workspace-id, your-project-id, функция VERSION число, и MODEL_PATH со значениями, специфичными для вашей учетной записи Roboflow, проекта и локального каталога результатов обучения. Убедитесь, что MODEL_PATH правильно указывает на каталог, содержащий обученные best.pt файл весов.

Когда вы запустите приведенный выше код, вам будет предложено пройти аутентификацию (обычно через ключ API). Затем ваша модель будет загружена, и для вашего проекта будет создана конечная точка API. Этот процесс может занять до 30 минут.

Чтобы протестировать свою модель и найти инструкции по развертыванию для поддерживаемых SDK, перейдите на вкладку «Deploy» на боковой панели Roboflow. В верхней части этой страницы появится виджет, позволяющий протестировать вашу модель с помощью веб-камеры или путем загрузки изображений или видео.

Ваша загруженная модель также может использоваться в качестве помощника по маркировке, предлагая аннотации на новых изображениях на основе ее обучения.

Как оценивать модели YOLO26

Roboflow предоставляет функции для оценки производительности модели. Понимание метрик производительности имеет решающее значение для итерации модели.

После загрузки модели получите доступ к инструменту оценки модели через страницу вашей модели на панели управления Roboflow. Нажмите «View Detailed Evaluation».

Этот инструмент отображает матрицу ошибок, иллюстрирующую производительность модели, и интерактивный график векторного анализа с использованием CLIP embeddings. Эти функции помогают определить области для улучшения модели.

Всплывающее окно матрицы ошибок:

Наведите указатель мыши на ячейки, чтобы увидеть значения, и щелкните ячейки, чтобы просмотреть соответствующие изображения с предсказаниями модели и данными ground truth.

Нажмите «Векторный анализ» для построения точечной диаграммы, визуализирующей сходство изображений на основе CLIP-эмбеддингов. Изображения, расположенные ближе друг к другу, семантически схожи. Точки представляют изображения, окрашенные от белого (хорошая производительность) до красного (плохая производительность).

Анализ векторов помогает:

• Определите кластеры изображений.
• Точно определяйте кластеры, в которых модель работает плохо.
• Понимание общих черт изображений, вызывающих низкую производительность.

Учебные ресурсы

• Обучение YOLO пользовательском наборе данных (Colab): интерактивный блокнот Google для обучения на ваших данных.
• YOLO Ultralytics YOLO : Обучение, экспорт и развертывание YOLO .
• Ultralytics : Статьи о компьютерном зрении и обучении моделей.
• Ultralytics : Видеоруководства по обучению и развертыванию моделей.

Часто задаваемые вопросы

Как мне размечать данные для моделей YOLO26 с помощью Roboflow?

Используйте Roboflow Annotate. Создайте проект, загрузите изображения и используйте инструменты аннотации (B для ограничивающие рамки, P для полигонов) или помощник по разметке на основе SAM для более быстрой разметки. Подробные инструкции доступны в Раздел «Загрузка, преобразование и маркировка данных».

Какие услуги предлагает Roboflow для сбора данных для обучения YOLO26?

Roboflow предоставляет Universe (доступ к многочисленным наборам данных) и Collect (автоматический сбор изображений через веб-камеру). Они могут помочь получить необходимые данные для обучения вашей модели YOLO26, дополняя стратегии, изложенные в нашем Руководстве по сбору данных.

Как я могу управлять и анализировать мой набор данных YOLO26 с помощью Roboflow?

Используйте функции поиска, тегирования и проверки работоспособности наборов данных Roboflow. Поиск находит изображения по тексту или тегам, а проверка работоспособности анализирует качество набора данных (баланс классов, размеры изображений и т. д.), чтобы помочь улучшить его перед обучением. Подробности см. в разделе Управление наборами данных.

Как мне экспортировать мой набор данных YOLO26 из Roboflow?

Создайте версию набора данных в Roboflow, примените желаемую предварительную обработку и аугментации, затем нажмите «Export Dataset» и выберите формат YOLO26. Процесс описан в разделе «Экспорт данных». Это подготавливает ваши данные для использования с конвейерами обучения Ultralytics.

Как я могу интегрировать и развертывать модели YOLO26 с Roboflow?

Загрузите обученные веса YOLO26 в Roboflow, используя предоставленный скрипт на Python. Это создает развертываемую конечную точку API. Обратитесь к разделу «Загрузка пользовательских весов» для получения скрипта и инструкций. Изучите дополнительные варианты развертывания в нашей документации.

📅 Создано 2 лет назад ✏️ Обновлено 5 дней назад

Комментарии