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
Вы можете создавать версии вашего набора данных с различными вариантами предварительной обработки и оффлайн-аугментации. YOLOv5 выполняет оффлайн-аугментацию в естественных условиях, поэтому будьте внимательны при наложении Roboflow'оффлайн-аугментации поверх.
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".
