Roboflow Наборы данных
Теперь вы можете использовать Roboflow для организации, маркировки, подготовки, версионирования и размещения ваших наборов данных для обучения YOLOv5 🚀 моделей. Roboflow можно использовать бесплатно вместе с YOLOv5 , если вы сделаете свое рабочее пространство общедоступным.
Лицензирование
Ultralytics предлагает два варианта лицензирования:
- ЛицензияAGPL-3.0 , одобренная OSI лицензия с открытым исходным кодом, идеально подходящая для студентов и энтузиастов.
- Лицензия Enterprise для компаний, желающих внедрить наши модели искусственного интеллекта в свои продукты и услуги.
Дополнительные сведения см. на сайте Ultralytics Лицензирование.
Загрузить
Вы можете загрузить данные на Roboflow через веб-интерфейс, REST API или Python.
Маркировка
После загрузки данных на сайт Roboflow вы можете маркировать данные и просматривать предыдущие маркировки.
Версионирование
You can make versions of your dataset with different preprocessing and offline augmentation options. YOLOv5 does online augmentations natively, so be intentional when layering Roboflow offline augmentations on top.
Экспорт данных
Вы можете загрузить данные в формате YOLOv5 , чтобы быстро начать обучение.
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")
Индивидуальное обучение
Мы выпустили пользовательский учебник, демонстрирующий все вышеперечисленные возможности. Вы можете получить доступ к коду здесь:
Активное обучение
Реальный мир беспорядочен, и ваша модель неизбежно столкнется с ситуациями, которые не были предусмотрены набором данных. Использование активного обучения - важная стратегия итеративного улучшения набора данных и модели. Благодаря интеграции Roboflow и YOLOv5 вы можете быстро усовершенствовать свои модели, используя проверенный в боях конвейер машинного обучения.
Поддерживаемые среды
Ultralytics предоставляет ряд готовых к использованию окружений, в каждом из которых предустановлены такие необходимые зависимости, как CUDA, CUDNN, Python, и PyTorchдля запуска ваших проектов.
- Бесплатные блокноты GPU:
- Google Облако: Руководство по быстрому запуску GCP
- Amazon: Руководство по быстрому запуску AWS
- Azure: Руководство по быстрому запуску AzureML
- Docker: Руководство по быстрому запуску Docker
Статус проекта
Этот значок означает, что все тесты непрерывной интеграции (CI) YOLOv5 GitHub Actions успешно пройдены. Эти CI-тесты тщательно проверяют функциональность и производительность YOLOv5 по различным ключевым аспектам: обучение, валидация, вывод, экспорт и контрольные показатели. Они обеспечивают стабильную и надежную работу на macOS, Windows и Ubuntu, причем тесты проводятся каждые 24 часа и при каждом новом коммите.
ЧАСТО ЗАДАВАЕМЫЕ ВОПРОСЫ
Как загрузить данные на сайт Roboflow для обучения моделей YOLOv5 ?
Вы можете загрузить свои данные на сайт Roboflow тремя различными способами: через веб-сайт, REST API или через Python. Эти варианты обеспечивают гибкость в зависимости от ваших технических предпочтений или требований проекта. После загрузки данных вы можете упорядочить, пометить и версифицировать их, чтобы подготовить к обучению с помощью моделей Ultralytics YOLOv5 . Для получения более подробной информации посетите раздел документации "Загрузка".
В чем преимущества использования Roboflow для маркировки и версионирования данных?
Roboflow предоставляет комплексную платформу для организации, маркировки и версионирования данных, что необходимо для эффективной работы в области машинного обучения. Используя Roboflow и YOLOv5, вы можете упростить процесс подготовки наборов данных, обеспечив их точную аннотацию и последовательное версионирование. Платформа также поддерживает различные варианты предварительной обработки и автономного дополнения для повышения качества ваших наборов данных. Для более глубокого изучения этих функций см. разделы документации "Маркировка" и "Версионирование".
Как экспортировать набор данных из формата Roboflow в формат YOLOv5 ?
Экспорт набора данных из формата Roboflow в формат YOLOv5 не представляет сложности. Вы можете воспользоваться фрагментом кода Python , приведенным в документации:
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")
Этот код загрузит ваш набор данных в формате, совместимом с YOLOv5, что позволит вам быстро начать обучение модели. Более подробную информацию см. в разделе "Экспорт данных".
Что такое активное обучение и как оно работает с YOLOv5 и Roboflow?
Активное обучение - это стратегия машинного обучения, которая итеративно улучшает модель путем интеллектуального выбора наиболее информативных точек данных для маркировки. Благодаря интеграции Roboflow и YOLOv5 вы можете реализовать активное обучение для постоянного повышения эффективности модели. Это включает в себя развертывание модели, сбор новых данных, использование модели для составления прогнозов, а затем ручную проверку или исправление этих прогнозов для дальнейшего обучения модели. Более подробную информацию об активном обучении см. в разделе " Активное обучение" выше.
Как использовать среды Ultralytics для обучения моделей YOLOv5 на разных платформах?
Ultralytics предоставляет готовые к использованию среды с предустановленными зависимостями, такими как CUDA, CUDNN, Python, и PyTorchчто облегчает запуск ваших учебных проектов. Эти среды доступны на различных платформах, таких как Google Cloud, AWS, Azure и Docker. Вы также можете получить доступ к бесплатным ноутбукам GPU на сайтах Paperspace, Google Colab и Kaggle. Для получения конкретных инструкций по настройке посетите раздел документации "Поддерживаемые среды".
