Roboflow#

Roboflow предоставляет инструменты для разметки данных и экспорта наборов данных в различных форматах, включая YOLO. В этом руководстве рассматриваются разметка, экспорт и развёртывание данных для моделей Ultralytics YOLO.

В этом руководстве показано, как найти, разметить и организовать данные для обучения пользовательской модели Ultralytics YOLO26 с помощью Roboflow.

• Сбор данных для обучения
• Разметка данных
• Управление набором данных
• Экспорт данных
• Развёртывание моделей
• Оценка моделей
• Часто задаваемые вопросы

Сбор данных для обучения пользовательской модели YOLO26#

Roboflow предлагает два основных сервиса для сбора данных для моделей YOLO Ultralytics: Universe и Collect. Общие сведения о стратегиях сбора данных см. в нашем руководстве по сбору и аннотированию данных.

Roboflow Universe#

Roboflow Universe — это онлайн-репозиторий наборов данных для компьютерного зрения. Ты можешь экспортировать наборы данных в формате YOLO для использования с моделями Ultralytics.

Roboflow Collect#

Если ты предпочитаешь собирать изображения самостоятельно, Roboflow Collect — это проект с открытым исходным кодом, который обеспечивает автоматический сбор изображений через веб-камеру на периферийных устройствах. Ты можешь использовать текстовые запросы или изображения, чтобы указать, какие данные нужно собрать, и получать только необходимые изображения для своей модели компьютерного зрения.

Загрузка, преобразование и разметка данных в формате YOLO26#

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

Чтобы разметить данные для модели YOLO Ultralytics, создай проект в Roboflow, загрузи изображения и начни аннотирование.

Инструменты аннотирования#

• Разметка ограничивающими рамками: нажми B или выбери значок рамки. Нажми и перетащи курсор, чтобы создать ограничивающую рамку. Во всплывающем окне тебе будет предложено выбрать класс для аннотации.
• Разметка полигонами: используется для сегментации экземпляров. Нажми P или выбери значок полигона. Нажимай на точки вокруг объекта, чтобы нарисовать полигон.

Помощник разметки (интеграция SAM)#

Roboflow интегрирует помощника разметки на основе модели сегментации любых объектов (SAM), который может ускорить аннотирование.

Чтобы использовать помощника разметки, нажми на значок курсора на боковой панели. SAM будет активирован для твоего проекта.

Наведи курсор на объект — SAM может предложить аннотацию. Нажми, чтобы принять её. Ты можешь уточнить область аннотации, щёлкнув внутри или за пределами предложенной области.

Теги#

Ты можешь добавлять теги к изображениям с помощью панели Tags на боковой панели. Теги могут обозначать такие атрибуты, как местоположение, источник изображения с камеры и т. д. Они позволяют искать конкретные изображения и создавать версии наборов данных, содержащие изображения с определёнными тегами.

Помощник разметки (на основе модели)#

Модели, размещённые в Roboflow, можно использовать с Label Assist для предложения аннотаций. Загрузи веса своей модели YOLO в Roboflow (инструкции приведены ниже), затем активируй Label Assist с помощью значка волшебной палочки на боковой панели.

Управление набором данных для YOLO26#

Roboflow предоставляет несколько инструментов для анализа и управления твоими наборами данных для компьютерного зрения.

Поиск по набору данных#

Используй поиск по набору данных, чтобы находить изображения по текстовым описаниям или определённым меткам и тегам. Открой эту функцию, нажав «Dataset» на боковой панели.

Проверка состояния#

Перед обучением используй Roboflow Health Check, чтобы получить сведения о наборе данных и определить возможные улучшения. Открой эту функцию по ссылке «Health Check» на боковой панели. Она предоставляет статистику о размерах изображений, балансе классов, тепловых картах аннотаций и многом другом.

Health Check может предложить изменения для повышения производительности, например устранение дисбаланса классов, выявленного в функции анализа баланса классов. Понимание состояния набора данных крайне важно для эффективного обучения модели.

Предварительная обработка и аугментация данных для повышения устойчивости модели#

Чтобы экспортировать данные, необходимо создать версию набора данных — снимок набора данных на определённый момент времени. Нажми «Versions» на боковой панели, затем «Create New Version». Здесь ты можешь применить шаги предварительной обработки и аугментации данных, чтобы повысить устойчивость модели.

Для каждой выбранной аугментации всплывающее окно позволяет точно настроить такие параметры, как яркость. Правильная аугментация может значительно улучшить обобщающую способность модели — это важная концепция, рассмотренная в нашем руководстве с рекомендациями по обучению моделей.

Экспорт данных в более чем 40 форматах для обучения моделей#

После создания версии набора данных ты можешь экспортировать её в различных форматах, подходящих для обучения моделей. Нажми кнопку «Export Dataset» на странице версии.

Выбери формат «YOLO26» для совместимости с конвейерами обучения Ultralytics. Теперь ты готов обучить свою пользовательскую модель YOLO26. Подробные инструкции по запуску обучения с экспортированным набором данных см. в документации по режиму Train Ultralytics.

Загрузка весов пользовательской модели YOLO26 для тестирования и развёртывания#

Roboflow предлагает масштабируемый API для развёрнутых моделей и SDK, совместимые с такими устройствами, как NVIDIA Jetson, Luxonis OAK, Raspberry Pi и системами на базе GPU. Ознакомься с различными вариантами развёртывания моделей в наших руководствах.

Ты можешь развернуть модели YOLO26, загрузив их веса в Roboflow с помощью простого скрипта на Python.

Создай новый файл Python и добавь 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 замени your-workspace-id, your-project-id, число VERSION и MODEL_PATH значениями, соответствующими твоей учётной записи Roboflow, проекту и локальному каталогу с результатами обучения. Убедись, что MODEL_PATH правильно указывает на каталог, содержащий файл весов обученной модели best.pt.

При запуске приведённого выше кода тебе будет предложено пройти аутентификацию (обычно с помощью ключа API). Затем модель будет загружена, а для проекта будет создана конечная точка API. Этот процесс может занять до 30 минут.

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

Загруженную модель также можно использовать в качестве помощника разметки: она будет предлагать аннотации для новых изображений на основе результатов обучения.

Как оценивать модели YOLO26#

Roboflow предоставляет функции для оценки производительности моделей. Понимание метрик производительности крайне важно для итеративного улучшения модели.

После загрузки модели открой инструмент оценки модели на странице своей модели в панели управления Roboflow. Нажми «View Detailed Evaluation».

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

Во всплывающем окне матрицы ошибок:

Наводи курсор на ячейки, чтобы просмотреть значения, и нажимай на ячейки, чтобы увидеть соответствующие изображения с предсказаниями модели и истинными данными.

Нажми «Vector Analysis», чтобы открыть точечную диаграмму, визуализирующую сходство изображений на основе эмбеддингов CLIP. Изображения, расположенные ближе друг к другу, семантически похожи. Точки представляют изображения и окрашены от белого (хорошая производительность) до красного (плохая производительность).

Векторный анализ помогает:

• Выявить кластеры изображений.
• Определить кластеры, на которых модель работает плохо.
• Понять общие характеристики изображений, вызывающих низкую производительность.

Ресурсы для обучения#

• Обучение YOLO на пользовательском наборе данных (Colab): интерактивный блокнот Google Colab для обучения на твоих данных.
• Документация Ultralytics YOLO: обучение, экспорт и развёртывание моделей YOLO.
• Блог Ultralytics: статьи о компьютерном зрении и обучении моделей.
• YouTube-канал Ultralytics: видеоинструкции по обучению и развёртыванию моделей.

Часто задаваемые вопросы#