Link to this sectionRoboflow#

Roboflow предоставляет инструменты для разметки данных и экспорта наборов данных в различных форматах, включая YOLO. Это руководство охватывает процессы разметки, экспорта и развертывания данных для моделей Ultralytics YOLO.

В этом руководстве показано, как находить, размечать и систематизировать 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

Link to this sectionСбор данных для обучения пользовательской модели YOLO26#

Roboflow предлагает два основных сервиса для помощи в сборе данных для моделей Ultralytics YOLO: Universe и Collect. Общую информацию о стратегиях сбора данных см. в нашем Руководстве по сбору и аннотированию данных.

Link to this sectionRoboflow Universe#

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

Link to this sectionRoboflow Collect#

Если ты предпочитаешь собирать изображения самостоятельно, Roboflow Collect — это проект с открытым исходным кодом, обеспечивающий автоматический сбор изображений через веб-камеру на периферийных устройствах. Ты можешь использовать текстовые или графические подсказки, чтобы указать данные для сбора, что поможет захватить только необходимые изображения для твоей модели компьютерного зрения.

Link to this sectionЗагрузка, конвертация и разметка данных в формате 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 изображения и начни аннотирование.

Link to this sectionИнструменты аннотирования#

• Аннотирование ограничивающей рамкой (BBox): Нажми B или кликни по иконке рамки. Нажми и перетащи, чтобы создать ограничивающую рамку. В появившемся всплывающем окне тебе нужно будет выбрать класс для этой аннотации.
• Полигональное аннотирование: Используется для сегментации экземпляров. Нажми P или кликни по иконке многоугольника. Ставь точки вокруг объекта, чтобы нарисовать полигон.

Link to this sectionПомощник по разметке (интеграция SAM)#

Roboflow интегрирует помощника по разметке на основе Segment Anything Model (SAM) для ускорения процесса аннотирования.

Чтобы использовать помощника по разметке, кликни по иконке курсора на боковой панели. SAM будет активирован для твоего проекта.

Наведи курсор на объект, и SAM может предложить аннотацию. Кликни, чтобы принять ее. Ты можешь уточнить специфику аннотации, кликнув внутри или снаружи предложенной области.

Link to this sectionТегирование#

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

Link to this sectionПомощник по разметке (на основе модели)#

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

Link to this sectionУправление наборами данных для YOLO26#

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

Link to this sectionПоиск по набору данных#

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

Link to this sectionHealth Check (Проверка состояния)#

Перед обучением используй Roboflow Health Check, чтобы получить представление о своем наборе данных и выявить потенциальные области для улучшения. Получи доступ к нему через ссылку «Health Check» на боковой панели. Он предоставляет статистику по размерам изображений, балансу классов, тепловым картам аннотаций и многое другое.

Health Check может предложить изменения для повышения производительности, например, устранение дисбаланса классов. Понимание состояния набора данных имеет решающее значение для эффективного обучения модели.

Link to this sectionПрепроцессинг и аугментация данных для повышения устойчивости модели#

Чтобы экспортировать данные, тебе нужно создать версию набора данных — это снимок данных в определенный момент времени. Нажми «Versions» на боковой панели, затем «Create New Version». Здесь ты можешь применить этапы предобработки и аугментации данных для потенциального повышения устойчивости модели.

Для каждой выбранной аугментации во всплывающем окне можно настроить такие параметры, как яркость. Правильная аугментация может значительно улучшить обобщающую способность модели — ключевой концепт, обсуждаемый в нашем руководстве по советам по обучению моделей.

Link to this sectionЭкспорт данных в более чем 40 форматах для обучения модели#

После того как версия набора данных создана, 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 к обучению своей пользовательской модели YOLO26. Обратись к документации Ultralytics по режиму Train для получения подробных инструкций по запуску обучения с использованием экспортированного набора данных.

Link to this sectionЗагрузка 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 системами на базе GPU. Изучи различные опции развертывания 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, номер VERSION и MODEL_PATH на значения, специфичные для твоего аккаунта Roboflow, проекта и локальной директории результатов обучения. Убедись, что MODEL_PATH корректно указывает на директорию, содержащую твой обученный файл весов best.pt.

Когда ты запустишь код выше, тебя попросят пройти аутентификацию (обычно через API-ключ). Затем твоя модель будет загружена, и для твоего проекта будет создан 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 страницы появится виджет, позволяющий протестировать модель с помощью веб-камеры или путем загрузки изображений или видео.

Твоя загруженная модель также может использоваться как помощник по разметке, предлагая аннотации на новых изображениях на основе своего обучения.

Link to this sectionКак оценивать модели YOLO26#

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

После загрузки модели получи доступ к инструменту оценки модели через страницу 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 ячейкам, чтобы просмотреть соответствующие изображения с прогнозами модели и данными ground truth.

Нажми «Vector Analysis» для отображения точечной диаграммы, визуализирующей сходство изображений на основе эмбеддингов CLIP. Изображения, расположенные ближе друг к другу, семантически схожи. Точки представляют изображения, окрашенные от белого (хорошая производительность) до красного (низкая производительность).

Векторный анализ помогает:

• Идентифицировать кластеры изображений.
• Точно определить кластеры, на которых модель показывает плохие результаты.
• Понять общие черты изображений, вызывающих плохую производительность.

Link to this sectionУчебные 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: Видеоинструкции по обучению и развертыванию моделей.

Link to this sectionЧасто задаваемые вопросы (FAQ)#

Link to this sectionКак разметить данные для моделей YOLO26 с помощью Roboflow?#

Используй Roboflow Annotate. Создай проект, загрузи изображения и используй инструменты аннотирования (B для ограничивающих рамок, P для полигонов) или помощника по разметке на базе SAM для более быстрого процесса. Подробные шаги доступны в разделе Загрузка, конвертация и разметка данных.

Link to this sectionКакие сервисы предлагает Roboflow для сбора данных обучения YOLO26?#

Roboflow предоставляет Universe (доступ к множеству наборов данных) и Collect (автоматизированный сбор изображений через веб-камеру). Они помогут приобрести необходимые данные для обучения для твоей модели YOLO26, дополняя стратегии, описанные в нашем Руководстве по сбору данных.

Link to this sectionКак управлять и анализировать набор данных YOLO26 с помощью Roboflow?#

Используй функции поиска, тегирования и Health Check в Roboflow. Поиск находит изображения по тексту или тегам, а Health Check анализирует качество набора данных (баланс классов, размеры изображений и т. д.), чтобы направить тебя к улучшениям перед обучением. Подробности см. в разделе Управление наборами данных.

Link to this sectionКак экспортировать набор данных YOLO26 из Roboflow?#

Создай версию набора данных в Roboflow, примени необходимые препроцессинг и аугментации, затем нажми «Export Dataset» и выбери формат YOLO26. Процесс описан в разделе Экспорт данных. Это подготовит твои данные для использования с конвейерами обучения Ultralytics.

Link to this sectionКак интегрировать и развернуть модели YOLO26 с помощью Roboflow?#

Загрузи свои обученные веса YOLO26 в Roboflow с помощью предоставленного скрипта Python. Это создаст развертываемую конечную точку API. Обратись к разделу Загрузка пользовательских весов за скриптом и инструкциями. Изучи дополнительные опции развертывания в нашей документации.