Roboflow#

Roboflow предоставляет инструменты для маркировки данных и экспорта наборов данных в различных форматах, включая YOLO. В этом руководстве рассматриваются вопросы маркировки, экспорта и развертывания данных для моделей Ultralytics YOLO.

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

• Сбор данных для обучения
• Разметка данных
• Управление наборами данных
• Экспорт данных
• Развертывание моделей
• Оценка моделей
• Часто задаваемые вопросы

Сбор данных для обучения пользовательской модели YOLO26#

Roboflow предлагает две основные службы для помощи в сборе данных для моделей Ultralytics YOLO models: Universe и Collect. Общую информацию 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, позволяющий автоматически собирать изображения с веб-камеры на граничных устройствах. Ты можешь использовать текстовые или графические подсказки, чтобы указать, какие данные необходимо собрать, что поможет захватить только нужные изображения для твоей модели компьютерного зрения.

Загрузка, конвертация и разметка данных для формата YOLO26#

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

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

Инструменты для аннотирования#

• Аннотация ограничивающей рамкой: Нажми B или щелкни значок рамки. Нажми и перетащи курсор, чтобы создать ограничивающую рамку. Во всплывающем окне появится запрос на выбор класса для аннотации.
• Аннотация полигоном: Используется для сегментации экземпляров. Нажми P или щелкни значок полигона. Нажимай на точки вокруг объекта, чтобы нарисовать полигон.

Помощник по разметке (интеграция с SAM)#

Roboflow интегрирует ассистент разметки на базе Segment Anything Model (SAM), что позволяет ускорить аннотирование.

Чтобы воспользоваться помощником, нажми на значок курсора на боковой панели. SAM будет активирован для твоего проекта.

Наведи курсор на объект, и SAM может предложить аннотацию. Нажми, чтобы принять её. Ты можешь уточнить специфику аннотации, кликая внутри или снаружи предложенной области.

Тегирование#

Ты можешь добавлять теги к изображениям, используя панель Tags на боковой панели. Теги могут обозначать такие атрибуты, как местоположение, источник камеры и т. д. Эти теги позволяют находить конкретные изображения и создавать версии наборов данных, содержащие изображения с определенными тегами.

Помощник по разметке (на основе модели)#

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

Управление наборами данных для YOLO26#

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

Поиск по набору данных#

Используй поиск, чтобы находить изображения на основе текстовых описаний или конкретных меток/тегов. Получи доступ к этой функции, нажав «Dataset» на боковой панели.

Проверка работоспособности#

Перед обучением используй функцию Health Check в Roboflow, чтобы получить представление о своем наборе данных и выявить потенциальные улучшения. Перейди к ней по ссылке «Health Check» на боковой панели. Она предоставляет статистику по размерам изображений, балансу классов, тепловым картам аннотаций и многому другому.

Health Check может предложить изменения для повышения производительности, такие как устранение дисбаланса классов, выявленного с помощью функции баланса классов. Понимание состояния набора данных имеет решающее значение для эффективного обучения модели.

Предварительная обработка и аугментация данных для надежности модели#

Для экспорта данных необходимо создать версию набора данных, которая представляет собой снимок твоего набора данных в определенный момент времени. Нажми "Versions" на боковой панели, а затем "Create New Version". Здесь ты можешь применить шаги предварительной обработки и дополнения данных, чтобы потенциально повысить надежность модели.

Для каждого выбранного дополнения во всплывающем окне можно настроить такие параметры, как яркость. Правильное дополнение может значительно улучшить обобщение модели — ключевой концепт, обсуждаемый в нашем руководстве по советам по обучению моделей.

Экспорт данных в 40+ форматах для обучения модели#

После создания версии набора данных ты можешь экспортировать её в различные форматы, подходящие для обучения. Нажми кнопку «Export Dataset» на странице версии.

Выбери формат "YOLO26" для совместимости с конвейерами обучения Ultralytics. Теперь ты готов обучать свою пользовательскую модель YOLO26. Обратись к документации по режиму обучения Ultralytics для получения подробных инструкций по запуску обучения с экспортированным набором данных.

Загрузка весов пользовательской 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 системами на базе GPU. Изучи различные варианты развертывания моделей в наших руководствах.

Ты можешь развернуть модели YOLO26, загрузив их веса в Roboflow с помощью простого скрипта 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, номер VERSION и MODEL_PATH на значения, специфичные для твоего аккаунта Roboflow, проекта и каталога локальных результатов обучения. Убедись, что MODEL_PATH правильно указывает на каталог, содержащий твой файл обученных весов best.pt.

Когда ты запустишь приведенный выше код, тебя попросят пройти аутентификацию (обычно через API-ключ). Затем твоя модель будет загружена, и для твоего 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, перейди на вкладку «Deploy» на боковой панели Roboflow. В верхней части этой страницы появится виджет, позволяющий протестировать модель с помощью веб-камеры или путем загрузки изображений/видео.

Твою загруженную модель также можно использовать в качестве помощника по разметке, предлагающего аннотации для новых изображений на основе её обучения.

Как оценивать модели YOLO26#

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

После загрузки модели получи доступ к инструменту оценки на странице модели на 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.

Всплывающее окно матрицы ошибок:

Наводи курсор на ячейки, чтобы увидеть значения, и кликай по ним, чтобы просмотреть соответствующие изображения с предсказаниями модели и данными ground truth.

Нажми «Vector Analysis» для scatter-графика, визуализирующего сходство изображений на основе эмбеддингов CLIP. Изображения, расположенные ближе друг к другу, семантически похожи. Точки представляют изображения, раскрашенные от белого (хорошая производительность) до красного (плохая производительность).

Векторный анализ помогает:

• Идентифицировать кластеры изображений.
• Точно определить кластеры, на которых модель работает плохо.
• Понять общие черты изображений, приводящие к низкой производительности.

Учебные ресурсы#

• Обучение YOLO на пользовательском наборе данных (Colab): Интерактивный блокнот Google Colab для обучения на твоих данных.
• Документация Ultralytics YOLO: Обучение, экспорт и развертывание моделей YOLO.
• Блог Ultralytics: Статьи о компьютерном зрении и обучении моделей.
• YouTube-канал Ultralytics: Видеоруководства по обучению и развертыванию моделей.

FAQ#