Roboflow Наборы данных

Теперь ты можешь использовать Roboflow для организации, маркировки, подготовки, версионирования и размещения твоих наборов данных для обучения YOLOv5 🚀 моделей. Roboflow можно использовать бесплатно вместе с YOLOv5 , если ты сделаешь свое рабочее пространство общедоступным.

Загрузите

Ты можешь загрузить свои данные на Roboflow через веб-интерфейс, REST API или Python.

Маркировка

Загрузив данные на Roboflow, ты можешь пометить их и просмотреть предыдущие метки.

Версионирование

Ты можешь создавать версии своего набора данных с разными вариантами препроцессинга и оффлайн-аугментации. YOLOv5 делает оффлайн-аугментацию нативно, поэтому будь внимателен при наложении Roboflow'оффлайн-аугментации поверх.

Экспорт данных

Ты можешь загрузить свои данные в формате YOLOv5 , чтобы быстро начать тренировки.

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 обучающий туториал, демонстрирующий все вышеперечисленные возможности. Ты можешь получить доступ к коду здесь:

Активное обучение

Реальный мир беспорядочен, и твоя модель неизменно будет сталкиваться с ситуациями, которые твой набор данных не предполагал. Использование активного обучения - важная стратегия итеративного улучшения твоего набора данных и модели. Благодаря интеграции Roboflow и YOLOv5 ты сможешь быстро улучшить свои модели, используя проверенный в боях конвейер машинного обучения.

Поддерживаемые среды

Ultralytics В нем есть ряд готовых к использованию окружений, в каждом из которых предустановлены такие необходимые зависимости, как CUDA, CUDNN, Python, и PyTorch, чтобы дать старт твоим проектам.

• 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 бенчмарки. Они обеспечивают стабильную и надежную работу на macOS, Windows и Ubuntu, причем тесты проводятся каждые 24 часа и при каждом новом коммите.

ВОПРОСЫ И ОТВЕТЫ

Как загрузить данные на Roboflow для обучения моделей YOLOv5 ?

Ты можешь загрузить свои данные на Roboflow тремя разными способами: через сайт, REST API или через Python. Эти варианты обеспечивают гибкость в зависимости от твоих технических предпочтений или требований проекта. После того как данные загружены, ты можешь упорядочить, пометить и версифицировать их, чтобы подготовить к обучению с помощью моделей Ultralytics YOLOv5 . Для получения более подробной информации посети раздел документации " Загрузка ".

В чем преимущества использования Roboflow для маркировки и версионирования данных?

Roboflow предоставляет комплексную платформу для организации, маркировки и версионирования данных, которая необходима для эффективного рабочего процесса машинного обучения. Используя Roboflow с YOLOv5, ты сможешь упростить процесс подготовки наборов данных, обеспечив их точную аннотацию и последовательное версионирование. Платформа также поддерживает различные варианты препроцессинга и офлайн-аугментации для повышения качества твоих наборов данных. Для более глубокого погружения в эти функции смотри разделы документации " Маркировка " и " Версионирование ".

Как экспортировать набор данных из формата Roboflow в формат YOLOv5 ?

Экспорт твоего набора данных из формата Roboflow в формат YOLOv5 очень прост. Ты можешь 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 твой набор данных в формате, совместимом с YOLOv5, что позволит тебе быстро приступить к обучению модели. Более подробную информацию ты найдешь 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, грамотно выбирая наиболее информативные точки данных для маркировки. Благодаря интеграции Roboflow и YOLOv5 ты можешь внедрить активное обучение, чтобы постоянно повышать эффективность своей 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. Подробнее об активном обучении читай в разделе " Активное обучение " выше.

Как использовать окружения Ultralytics для обучения моделей YOLOv5 на разных платформах?

Ultralytics предоставляет готовые к использованию среды с предустановленными зависимостями, такими как CUDA, CUDNN, Python, и PyTorch, облегчающие запуск твоих учебных проектов. Эти окружения доступны на различных платформах, таких как Google Cloud, AWS, Azure и Docker. Ты также можешь получить доступ к бесплатным ноутбукам GPU на сайтах Paperspace, Google Colab и Kaggle. Конкретные инструкции по настройке можно найти в разделе документации " Поддерживаемые окружения ".

Комментарии