Roboflow

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

Bu kılavuz, Roboflow kullanarak özel bir Ultralytics YOLO26 modeli eğitmek için verileri nasıl bulacağını, etiketleyeceğini ve düzenleyeceğini gösterir.

• Eğitim İçin Veri Topla
• Veri 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 toplamaya yardımcı olacak iki ana hizmet sunar: Universe ve Collect. Veri toplama stratejileri hakkında daha genel bilgiler için Veri Toplama ve Açıklama Kılavuzumuza başvurun.

Roboflow Universe

Roboflow Universe, çevrimiçi bir görüntü veri kümesi deposudur. Ultralytics modelleriyle kullanmak için veri kümelerini YOLO formatında dışa aktarabilirsin.

Roboflow Collect

Görüntüleri kendin toplamayı tercih ediyorsan, Roboflow Collect, uç cihazlarda web kamerası aracılığıyla otomatik görüntü toplamayı sağlayan açık kaynaklı bir projedir. Hangi verilerin toplanacağını belirtmek için metin veya görüntü komutlarını kullanabilir, böylece vizyon modelin için yalnızca gerekli görüntüleri yakalamaya yardımcı olabilirsin.

YOLO26 Formatı İçin Verileri Yükle, Dönüştür ve Etiketle

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

Bir Ultralytics YOLO modeli için veri etiketlemek üzere Roboflow'da bir proje oluştur, görsellerini yükle ve açıklamaya (annotating) başla.

Açıklama Araçları

• Sınırlayıcı Kutu (BBox) 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 segmentasyonu için kullanılır. P tuşuna bas veya çokgen simgesine tıkla. Çokgeni çizmek için nesnenin etrafındaki noktalara tıkla.

Etiket Asistanı (SAM Entegrasyonu)

Roboflow, açıklamaları potansiyel olarak hızlandırmak için 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 panelini kullanarak görüntülere etiketler ekleyebilirsin. Etiketler konum, kamera kaynağı vb. özellikleri temsil edebilir. Bu etiketler, belirli görüntüleri aramanı ve belirli etiketlere sahip görüntüleri içeren veri kümesi sürümleri oluşturmanı sağlar.

Etiket Asistanı (Model Tabanlı)

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

YOLO26 İçin Veri Kümesi Yönetimi

Roboflow, bilgisayarlı 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 "Dataset" kısmına tıklayarak erişebilirsin.

Sağlık Kontrolü

Eğitimden önce, veri kümen hakkında içgörü kazanmak ve potansiyel iyileştirmeleri belirlemek için Roboflow Sağlık Kontrolünü kullan. Buna "Health Check" kenar çubuğu bağlantısı aracılığıyla erişebilirsin. Görüntü boyutları, sınıf dengesi, açıklama ısı haritaları ve daha fazlası hakkında istatistikler sağlar.

Sağlık Kontrolü, sınıf dengesi özelliğinde tanımlanan sınıf dengesizliklerini gidermek gibi performansı artıracak değişiklikler önerebilir. Veri kümesi sağlığını anlamak, etkili model eğitimi için çok önemlidir.

Model Sağlamlığı İçin Verileri Ön İşleme ve Artırma

Verilerini dışa aktarmak için, veri kümenin belirli bir andaki anlık görüntüsü olan bir veri kümesi sürümü oluşturman gerekir. Kenar çubuğunda "Versions"a, ardından "Create New Version"a tıkla. Burada, model sağlamlığını potansiyel olarak artırmak için ön işleme adımları ve veri artırmaları uygulayabilirsin.

Seçilen her artırma için, bir açılır pencere parlaklık gibi parametrelerini ince ayarlamana olanak tanır. Uygun artırma, model eğitimi ipuçları kılavuzumuzda tartışılan önemli bir kavram olan model genellemesini önemli ölçüde iyileştirebilir.

Model Eğitimi İçin 40'tan Fazla Formatta Veri Dışa Aktarma

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

Ultralytics eğitim 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 başvur.

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. Kılavuzlarımızdaki 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 numarası ve MODEL_PATH kısımlarını Roboflow hesabına, projene ve yerel eğitim sonuçları dizinine özgü değerlerle değiştir. MODEL_PATH kısmının eğitilmiş best.pt ağırlık dosyanı içeren dizini doğru bir şekilde işaretlediğinden emin ol.

Yukarıdaki kodu çalıştırdığında, kimlik doğrulaması yapman istenecektir (genellikle bir API anahtarı aracılığıyla). Ardından modelin yüklenecek ve projen için bir API uç noktası oluşturulacaktır. Bu işlem tamamlanması 30 dakikaya 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 videolar yükleyerek modelini test etmene olanak tanıyan bir araç görünecektir.

Yüklenen modelin ayrıca etiketleme asistanı olarak da kullanılabilir ve eğitimine dayalı olarak yeni görüntülerde açıklamalar önerebilir.

YOLO26 Modelleri Nasıl Değerlendirilir

Roboflow, model performansını değerlendirmek için özellikler sunar. Performans metriklerini anlamak, model iterasyonu için çok önemlidir.

Bir model yükledikten sonra, Roboflow kontrol panelindeki model sayfan aracılığıyla model değerlendirme aracına eriş. "View Detailed Evaluation"a tıkla.

Bu araç, model performansını gösteren bir karmaşıklık matrisini ve CLIP yerleştirmelerini (embeddings) kullanarak etkileşimli bir vektör analizi grafiğini görüntüler. Bu özellikler, model iyileştirmesi için alanları belirlemeye yardımcı olur.

Karmaşıklık matrisi açılır penceresi:

Değerleri görmek için hücrelerin üzerine gel ve model tahminleri ile yer gerçeği verilerini içeren karşılık gelen görüntüleri görüntülemek için hücrelere tıkla.

CLIP yerleştirmelerine dayalı görüntü benzerliğini görselleştiren bir dağılım grafiği için "Vector Analysis"e tıkla. Birbirine daha yakın olan görüntüler anlamsal olarak benzerdir. Noktalar, beyazdan (iyi performans) kırmızıya (zayıf performans) renklendirilmiş görüntüleri temsil eder.

Vektör Analizi şunlara yardımcı olur:

• Görüntü kümelerini tanımlama.
• Modelin zayıf performans gösterdiği kümeleri belirleme.
• Zayıf performansa neden olan görüntüler arasındaki ortak noktaları anlama.

Öğrenme Kaynakları

• Özel Veri Kümesinde YOLO Eğitimi (Colab): Kendi verilerin üzerinde eğitim yapmak için etkileşimli Google Colab not defteri.
• Ultralytics YOLO Belgeleri: YOLO modellerini eğitme, dışa aktarma ve dağıtma.
• Ultralytics Blog: Bilgisayarlı görü ve model eğitimi üzerine makaleler.
• Ultralytics YouTube: Model eğitimi ve dağıtımı üzerine video kılavuzlar.

SSS

Roboflow kullanarak YOLO26 modelleri için verileri nasıl etiketlerim?

Roboflow Annotate kullan. Bir proje oluştur, görselleri yükle ve açıklama araçlarını (B sınırlayıcı kutular için, P çokgenler için) veya daha hızlı etiketleme için SAM tabanlı etiket asistanını kullan. Ayrıntılı adımlar Verileri Yükle, Dönüştür ve Etiketle bölümünde mevcuttur.

Roboflow, YOLO26 eğitim verilerini toplamak için hangi hizmetleri sunar?

Roboflow provides Universe (access to numerous datasets) and Collect (automated image gathering via webcam). These can help acquire the necessary training data for your YOLO26 model, complementing strategies outlined in our Data Collection Guide.

Roboflow kullanarak YOLO26 veri kümemi nasıl yönetebilir ve analiz edebilirim?

Roboflow'un veri kümesi arama, etiketleme ve Sağlık Kontrolü özelliklerinden yararlan. Arama, metin veya etiketlere göre görüntüleri bulurken, Sağlık Kontrolü eğitimden önce iyileştirmelere rehberlik etmek için veri kümesi kalitesini (sınıf dengesi, görüntü boyutları vb.) analiz eder. Ayrıntılar için Veri Kümesi Yönetimi bölümüne bak.

YOLO26 veri kümemi Roboflow'dan nasıl dışa aktarırım?

Roboflow'da bir veri kümesi sürümü oluştur, istenen ön işleme ve artırmaları uygula, ardından "Export Dataset"e tıkla ve YOLO26 formatını seç. İşlem Verileri Dışa Aktar bölümünde özetlenmiştir. Bu, verilerini Ultralytics eğitim hatlarıyla kullanılmak üzere hazırlar.

YOLO26 modellerini Roboflow ile nasıl entegre edebilir ve dağıtabilirim?

Eğitilmiş YOLO26 ağırlıklarını, sağlanan Python betiğini kullanarak Roboflow'a yükle. Bu, dağıtılabilir bir API uç noktası oluşturur. Betik ve talimatlar için Özel Ağırlıkları Yükle bölümüne başvur. Belgelerimizde daha fazla dağıtım seçeneği keşfet.