Roboflow#

Roboflow, çeşitli biçimlerde veri kümesi dışa aktarma ve veri etiketleme araçları sunar; bu biçimlere YOLO da dahildir. Bu kılavuzda, Ultralytics YOLO modelleri için verileri etiketleme, dışa aktarma ve dağıtma işlemleri ele alınır.

Bu kılavuz, Roboflow kullanarak özel bir Ultralytics YOLO26 modelini eğitmek için verileri bulma, etiketleme ve düzenleme adımlarını gösterir.

• Eğitim için Veri Topla
• Verileri Etiketle
• Veri Kümesi Yönetimi
• Verileri Dışa Aktar
• Modelleri Dağıt
• Modelleri Değerlendir
• SSS

Özel Bir YOLO26 Modelini Eğitmek için Veri Toplama#

Roboflow, Ultralytics YOLO modelleri için veri toplamaya yardımcı olan iki temel hizmet sunar: Universe ve Collect. Veri toplama stratejileri hakkında genel bilgi için Veri Toplama ve Anotasyon Kılavuzumuza bak.

Roboflow Universe#

Roboflow Universe, görsel veri kümelerinin çevrimiçi deposudur. Veri kümelerini Ultralytics modellerinde kullanmak üzere YOLO biçiminde dışa aktarabilirsin.

Roboflow Collect#

Görüntüleri kendin toplamayı tercih ediyorsan Roboflow Collect, uç cihazlardaki web kameraları aracılığıyla otomatik görüntü toplamayı sağlayan açık kaynaklı bir projedir. Toplanacak verileri belirtmek için metin veya görüntü istemleri kullanabilir, böylece görsel modelin için yalnızca gerekli görüntülerin yakalanmasına yardımcı olabilirsin.

YOLO26 Biçimi için Veri Yükleme, Dönüştürme ve Etiketleme#

Roboflow Annotate; nesne algılama, sınıflandırma ve segmentasyon dahil çeşitli bilgisayarlı görü görevleri için görüntüleri etiketlemeye yönelik çevrimiçi bir araçtır.

Bir Ultralytics YOLO modelinin verilerini etiketlemek için Roboflow'da bir proje oluştur, görüntülerini yükle ve anotasyon yapmaya başla.

Etiketleme Araçları#

• Sınırlayıcı Kutu Anotasyonu: B tuşuna bas veya kutu simgesine tıkla. Sınırlayıcı kutuyu oluşturmak için tıklayıp sürükle. Bir açılır pencere, anotasyon için bir sınıf seçmeni ister.
• Çokgen Anotasyonu: Örnek segmentasyonu için kullanılır. P tuşuna bas veya çokgen simgesine tıkla. Çokgeni çizmek için nesnenin çevresindeki noktalara tıkla.

Etiket Asistanı (SAM Entegrasyonu)#

Roboflow, anotasyonu hızlandırmaya yardımcı olabilecek Her Şeyi Segmentle Modeli (SAM) tabanlı bir etiket asistanı sunar.

Etiket asistanını kullanmak için kenar çubuğundaki imleç simgesine tıkla. Projen için SAM etkinleştirilir.

İmleci bir nesnenin üzerine getir; SAM bir anotasyon önerebilir. Anotasyonu kabul etmek için tıkla. Önerilen alanın içine veya dışına tıklayarak anotasyonun özgüllüğünü iyileştirebilirsin.

Etiketleme#

Kenar çubuğundaki Etiketler panelini kullanarak görüntülere etiket ekleyebilirsin. Etiketler konum, kamera kaynağı gibi özellikleri temsil edebilir. Bu etiketler belirli görüntüleri aramana ve belirli etiketlere sahip görüntüleri içeren veri kümesi sürümleri oluşturmanı sağlar.

Etiket Asistanı (Model Tabanlı)#

Roboflow'da barındırılan modeller, Etiket Asistanı ile anotasyon önermek için kullanılabilir. YOLO model ağırlıklarını Roboflow'a yükle (aşağıdaki talimatlara bak), ardından kenar çubuğundaki sihirli değnek simgesiyle Etiket Asistanı'nı etkinleştir.

YOLO26 için Veri Kümesi Yönetimi#

Roboflow, bilgisayarlı görü veri kümelerini anlamak ve yönetmek için çeşitli araçlar sunar.

Veri Kümesi Arama#

Metin açıklamalarına veya belirli etiketlere/anahtar kelimelere göre görüntüleri bulmak için veri kümesi aramasını kullan. Bu özelliğe erişmek için kenar çubuğundaki "Dataset" seçeneğine tıkla.

Sağlık Kontrolü#

Eğitimden önce veri kümen hakkında bilgi edinmek ve olası iyileştirmeleri belirlemek için Roboflow Sağlık Kontrolü'nü kullan. Kenar çubuğundaki "Health Check" bağlantısından erişebilirsin. Bu özellik, görüntü boyutları, sınıf dengesi, anotasyon ısı haritaları ve daha fazlası hakkında istatistikler sunar.

Sağlık Kontrolü, sınıf dengesi özelliğinde belirlenen sınıf dengesizliklerini giderme gibi performansı artıracak değişiklikler önerebilir. Veri kümesinin sağlığını anlamak, etkili model eğitimi için çok önemlidir.

Model Sağlamlığı için Verileri Ön İşlemeden Geçir ve Artır#

Verilerini dışa aktarmak için, veri kümenin belirli bir zamandaki anlık görüntüsü olan bir veri kümesi sürümü oluşturman gerekir. Kenar çubuğunda "Versions" seçeneğine, ardından "Create New Version" seçeneğine tıkla. Burada, model sağlamlığını artırmaya yardımcı olabilecek ön işleme adımları ve veri artırma işlemleri uygulayabilirsin.

Seçilen her artırma işlemi için, parlaklık gibi parametreleri ince ayarlamana olanak tanıyan bir açılır pencere görüntülenir. Uygun veri artırma, modelin genelleme kabiliyetini önemli ölçüde iyileştirebilir; bu, model eğitimi ipuçları kılavuzumuzda ele alınan temel bir kavramdır.

Model Eğitimi için Verileri 40'tan Fazla Biçimde Dışa Aktar#

Veri kümesi sürümün oluşturulduktan sonra, model eğitimi için uygun çeşitli biçimlerde dışa aktarabilirsin. Sürüm sayfasındaki "Export Dataset" düğmesine tıkla.

Ultralytics eğitim işlem hatlarıyla uyumluluk için "YOLO26" biçimini seç. Artık özel YOLO26 modelini eğitmeye hazırsın. Dışa aktarılan veri kümenle eğitimi başlatmaya ilişkin ayrıntılı talimatlar için Ultralytics Train modu belgelerine bak.

Test ve Dağıtım için Özel YOLO26 Model Ağırlıklarını Yükle#

Roboflow; NVIDIA Jetson, Luxonis OAK, Raspberry Pi ve GPU tabanlı sistemler gibi cihazlarla uyumlu SDK'lar ve dağıtılmış modeller için ölçeklenebilir bir API sunar. Kılavuzlarımızda çeşitli model dağıtım seçeneklerini keşfet.

YOLO26 modellerini, basit bir Python betiği kullanarak ağırlıklarını Roboflow'a yükleyerek dağıtabilirsin.

Yeni bir Python dosyası oluştur ve aşağıdaki kodu ekle:

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.")

Bu kodda your-workspace-id, your-project-id, VERSION numarasını ve MODEL_PATH değerini Roboflow hesabına, projene ve yerel eğitim sonuçları dizinine özgü değerlerle değiştir. MODEL_PATH değerinin, eğitilmiş best.pt ağırlık dosyanı içeren dizini doğru şekilde gösterdiğinden emin ol.

Yukarıdaki kodu çalıştırdığında kimlik doğrulaması yapman istenir (genellikle bir API anahtarıyla). Ardından modelin yüklenir ve projen için bir API uç noktası oluşturulur. Bu işlemin tamamlanması 30 dakika kadar sürebilir.

Modelini test etmek ve desteklenen SDK'lar için dağıtım talimatlarını bulmak üzere Roboflow kenar çubuğundaki "Deploy" sekmesine git. Bu sayfanın üst kısmında, web kameranı kullanarak veya görüntü ya da video yükleyerek modelini test etmene olanak tanıyan bir araç görünür.

Yüklediğin model, eğitimine dayanarak yeni görüntülerde anotasyonlar önermek için etiket asistanı olarak da kullanılabilir.

YOLO26 Modelleri Nasıl Değerlendirilir?#

Roboflow, model performansını değerlendirmeye yönelik özellikler sunar. Performans metriklerini anlamak, model üzerinde yineleme yapmak için çok önemlidir.

Bir modeli yükledikten sonra Roboflow panosundaki model sayfasından model değerlendirme aracına eriş. "View Detailed Evaluation" seçeneğine tıkla.

Bu araç, model performansını gösteren bir karmaşıklık matrisi ve CLIP gömmelerini kullanan etkileşimli bir vektör analiz grafiği görüntüler. Bu özellikler, modelin iyileştirilebileceği alanları belirlemeye yardımcı olur.

Karmaşıklık matrisi açılır penceresi:

Değerleri görmek için hücrelerin üzerine gel ve model tahminlerini ve gerçek değerleri içeren karşılık gelen görüntüleri görmek için hücrelere tıkla.

CLIP gömmelerine dayalı görüntü benzerliğini görselleştiren bir dağılım grafiği için "Vector Analysis" seçeneğine tıkla. Birbirine yakın görüntüler anlamsal açıdan benzerdir. Noktalar görüntüleri temsil eder ve beyazdan (iyi performans) kırmızıya (kötü performans) uzanan renklerle gösterilir.

Vektör Analizi şunlara yardımcı olur:

• Görüntü kümelerini belirlemeye.
• Modelin kötü performans gösterdiği kümeleri bulmaya.
• Kötü performansa neden olan görüntüler arasındaki ortak özellikleri anlamaya.

Öğrenme Kaynakları#

• Özel Veri Kümesinde YOLO Eğitimi (Colab): Verilerinle eğitim yapmak için etkileşimli bir Google Colab not defteri.
• Ultralytics YOLO Belgeleri: YOLO modellerini eğitme, dışa aktarma ve dağıtma.
• Ultralytics Blogu: Bilgisayarlı görü ve model eğitimiyle ilgili makaleler.
• Ultralytics YouTube: Model eğitimi ve dağıtımıyla ilgili video kılavuzları.

Sık Sorulan Sorular#