Roboflow#

Roboflow, YOLO dahil olmak üzere çeşitli formatlarda veri etiketleme ve veri kümesi dışa aktarımı için araçlar sağlar. Bu kılavuz, Ultralytics YOLO modelleri için verilerin etiketlenmesini, dışa aktarılmasını ve dağıtılmasını kapsar.

Bu kılavuz, Roboflow kullanarak özel bir Ultralytics YOLO26 modelini eğitmek için verileri nasıl bulacağını, etiketleyeceğini ve organize edeceğini gösterir.

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

Özel Bir YOLO26 Modeli Eğitmek İçin Veri Topla#

Roboflow, Ultralytics YOLO modelleri için veri toplama işlemine yardımcı olmak üzere iki birincil hizmet sunar: Universe ve Collect. Veri toplama stratejileri hakkında daha genel bilgi için Veri Toplama ve Açıklama Kılavuzu belgemize başvuru yap.

Roboflow Universe#

Roboflow Universe, görsel veri kümelerinin yer aldığı çevrim içi bir depodur. Ultralytics modelleriyle kullanım için veri kümelerini YOLO formatında dışa aktarabilirsin.

Roboflow Collect#

Görüntüleri kendin toplamayı tercih edersen, Roboflow Collect, uç cihazlarda web kamerası aracılığıyla otomatik görüntü toplamayı sağlayan açık kaynaklı bir projedir. Vizyon modelin için yalnızca gerekli görüntüleri yakalamaya yardımcı olacak şekilde, toplanacak verileri belirtmek için metin veya görüntü istemleri kullanabilirsin.

YOLO26 Formatı İçin Veri Yükle, Dönüştür ve Etiketle#

Roboflow Annotate, nesne algılama, sınıflandırma ve bölütleme dahil olmak üzere çeşitli bilgisayarla görü görevleri için görselleri etiketlemeye yönelik çevrim içi bir araçtır.

Bir Ultralytics YOLO modeli için verileri etiketlemek amacıyla Roboflow'da bir proje oluştur, görsellerini yükle ve açıklamalar eklemeye başla.

Açıklama Araçları#

• Sınırlayıcı Kutu Açıklaması: B tuşuna bas veya kutu simgesine tıkla. Sınırlayıcı kutuyu oluşturmak için tıkla ve sürükle. Bir açılır pencere, açıklama için bir sınıf seçmeni isteyecektir.
• Çokgen Açıklaması: Örnek bölütleme için kullanılır. P tuşuna bas veya çokgen simgesine tıkla. Çokgeni çizmek için nesnenin etrafındaki noktalara tıkla.

Etiket Asistanı (SAM Entegrasyonu)#

Roboflow, açıklamaları hızlandırma potansiyeli sunan Segment Anything Model (SAM) tabanlı bir etiket asistanını entegre eder.

Etiket asistanını kullanmak için kenar çubuğundaki imleç simgesine tıkla. SAM, projen için etkinleştirilecektir.

Bir nesnenin üzerine gel, SAM bir açıklama önerebilir. Açıklamayı kabul etmek için tıkla. Önerilen alanın içine veya dışına tıklayarak açıklamanın özgüllüğünü iyileştirebilirsin.

Etiketleme (Tagging)#

Kenar çubuğundaki Etiketler paneliyle görüntülere etiketler ekleyebilirsin. Etiketler konum, kamera kaynağı vb. gibi özellikleri temsil edebilir. Bu etiketler, belirli görüntüleri aramana ve belirli etiketlere sahip görüntüleri içeren veri kümesi sürümleri oluşturmana olanak tanır.

Etiket Yardımı (Model Tabanlı)#

Roboflow'da barındırılan modeller, açıklamalar önermek için Etiket Yardımı ile birlikte kullanılabilir. YOLO modeli ağırlıklarını Roboflow'a yükle (aşağıdaki talimatlara bak), ardından kenar çubuğundaki sihirli değnek simgesi aracılığıyla Etiket Yardımını etkinleştir.

YOLO26 İçin Veri Kümesi Yönetimi#

Roboflow, bilgisayarla görü veri kümelerini anlamak ve yönetmek için çeşitli araçlar sağlar.

Veri Kümesi Arama#

Metin açıklamalarına veya belirli etiketlere dayalı görüntüleri bulmak için veri kümesi aramasını kullan. Bu özelliğe kenar çubuğundaki "Veri Kümesi"ne tıklayarak erişebilirsin.

Sağlık Kontrolü#

Eğitimden önce, veri kümen hakkında içgörü kazanmak ve potansiyel iyileştirmeleri belirlemek için Roboflow Sağlık Kontrolü'nü kullan. "Sağlık Kontrolü" kenar çubuğu bağlantısı aracılığıyla eriş. Görüntü boyutları, sınıf dengesi, açıklama ısı haritaları ve daha fazlası hakkında istatistikler sağlar.

Health Check, sınıf dengeleme özelliğinde belirlenen sınıf dengesizliklerini ele almak gibi performansı artırmaya yönelik değişiklikler önerebilir. Veri kümesi sağlığını anlamak, etkili bir model eğitimi için çok önemlidir.

Model Dayanıklılığı İçin Verileri Ön İşleme ve Artırma#

Verilerini dışa aktarmak için, veri kümenin belirli bir zamandaki anlık görüntüsü olan bir veri kümesi sürümü oluşturman gerekir. Kenar çubuğunda "Versions" öğesine ve ardından "Create New Version" seçeneğine tıkla. Burada, modelin dayanıklılığını artırma potansiyeli sunan ön işleme adımları ve veri artırımları uygulayabilirsin.

Seçilen her artırım için bir açılır pencere, parlaklık gibi parametrelerini ince ayar yapmana olanak tanır. Doğru artırım, model eğitimi ipuçları kılavuzumuzda tartışılan önemli bir kavram olan model genellemesini önemli ölçüde iyileştirebilir.

Model Eğitimi İçin 40'tan Fazla Formatta Veri Dışa Aktar#

Veri kümesi sürümün oluşturulduktan sonra, onu model eğitimi için uygun çeşitli formatlarda dışa aktarabilirsin. Sürüm sayfasındaki "Veri Kümesini Dışa Aktar" düğmesine tıkla.

Ultralytics eğitim işlem hatlarıyla uyumluluk için "YOLO26" formatını seç. Artık özel YOLO26 modelini eğitmeye hazırsın. Dışa aktarılan veri kümenle eğitime başlamaya ilişkin ayrıntılı talimatlar için Ultralytics Eğitim modu belgelerine göz at.

Test ve Dağıtım İçin Özel YOLO26 Model Ağırlıklarını Yükle#

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

Basit bir Python betiği kullanarak ağırlıklarını Roboflow'a yükleyip YOLO26 modellerini 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 kendi Roboflow hesabına, projene ve yerel eğitim sonuçları dizinine özgü değerlerle değiştir. MODEL_PATH öğesinin eğitilmiş best.pt ağırlık dosyanı içeren dizine doğru şekilde işaret ettiğinden emin ol.

Yukarıdaki kodu çalıştırdığında, (genellikle bir API anahtarı aracılığıyla) kimlik doğrulaması yapman istenecektir. Ardından modelin yüklenecek ve projen için bir API uç noktası oluşturulacaktır. Bu işlem 30 dakikaya kadar sürebilir.

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

Yüklediğin model, yeni görüntüler üzerinde eğitimine dayalı açıklamalar önererek bir etiketleme asistanı olarak da kullanılabilir.

YOLO26 Modelleri Nasıl Değerlendirilir#

Roboflow, model performansını değerlendirmek için özellikler sağlar. Performans metriklerini anlamak, model yinelemesi için çok önemlidir.

Bir model yükledikten sonra, Roboflow panelindeki model sayfan aracılığıyla model değerlendirme aracına eriş. "Ayrıntılı Değerlendirmeyi Görüntüle"ye tıkla.

Bu araç, model performansını gösteren bir karışıklık matrisi ve CLIP gömmelerini kullanan interaktif bir vektör analizi grafiği görüntüler. Bu özellikler, modelin iyileştirilmesi gereken alanların belirlenmesine yardımcı olur.

Karmaşıklık matrisi açılır penceresi:

Değerleri görmek için hücrelerin üzerine gel ve model tahminleri ile gerçek verileri içeren karşılık gelen görüntüleri görüntülemek için hücrelere tıkla.

CLIP gömmelerine dayalı görüntü benzerliğini görselleştiren bir dağılım grafiği için "Vektör Analizi"ne tıkla. Birbirine yakın görüntüler anlamsal olarak benzerdir. Noktalar, beyazdan (iyi performans) kırmızıya (kötü performans) kadar renklendirilmiş görüntüleri temsil eder.

Vektör Analizi şunlara yardımcı olur:

• Görüntü kümelerini tanımla.
• Modelin kötü performans gösterdiği kümeleri tam olarak belirle.
• Kötü performansa neden olan görüntüler arasındaki ortak noktaları anla.

Öğrenme Kaynakları#

• Özel Bir Veri Kümesinde YOLO'yu Eğitme (Colab): Kendi verilerinle eğitim yapmak için interaktif Google Colab not defteri.
• Ultralytics YOLO Belgeleri: YOLO modellerini eğitme, dışa aktarma ve dağıtma.
• Ultralytics Blogu: Bilgisayarla görü ve model eğitimi üzerine makaleler.
• Ultralytics YouTube: Model eğitimi ve dağıtımı üzerine video kılavuzları.

SSS#