Roboflow#

Roboflow, YOLO dahil çeşitli formatlarda veri etiketleme ve veri kümesi dışa aktarma araçları sağlar. Bu kılavuzda Ultralytics YOLO modelleri için verileri etiketleme, dışa aktarma ve dağıtma işlemleri ele alınır.

Bu kılavuzda, Roboflow kullanarak özel bir Ultralytics YOLO26 modelini eğitmek için verileri bulma, etiketleme ve düzenleme işlemleri gösterilir.

• Eğitim için Veri Toplama
• Verileri Etiketleme
• Veri Kümesi Yönetimi
• Verileri Dışa Aktarma
• Modelleri Dağıtma
• Modelleri Değerlendirme
• 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 Açıklama Kılavuzumuza başvurabilirsin.

Roboflow Universe#

Roboflow Universe, görüntü veri kümeleri için çevrimiçi bir depodur. Veri kümelerini Ultralytics modelleriyle kullanmak üzere 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. Toplanacak verileri belirtmek için metin veya görüntü istemleri kullanabilir, böylece görüntü modelin için yalnızca gerekli görüntüleri yakalayabilirsin.

YOLO26 Formatı için Veri Yükleme, Dönüştürme ve Etiketleme#

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

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

Etiketleme Araçları#

• Sınırlayıcı Kutu Açıklaması: B tuşuna bas veya kutu simgesine tıkla. Sınırlayıcı kutuyu oluşturmak için tıklayıp sürükle. Bir açılır pencerede açıklama için sınıf seçmen istenir.
• Çokgen Açıklaması: Örnek segmentasyonu için kullanılır. P tuşuna bas veya çokgen simgesine tıkla. Çokgeni çizmek için nesnenin çevresindeki noktalara tıkla.

Etiket Yardımcısı (SAM Entegrasyonu)#

Roboflow, açıklama ekleme işlemini potansiyel olarak hızlandırmak için Her Şeyi Segmentleyen Model (SAM) tabanlı bir etiket yardımcısı sunar.

Etiket yardımcısını kullanmak için kenar çubuğundaki imleç simgesine tıkla. SAM projen için etkinleştirilir.

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

Etiketleme#

Kenar çubuğundaki Tags panelini kullanarak görüntülere etiket ekleyebilirsin. Etiketler konum, kamera kaynağı ve benzeri özellikleri temsil edebilir. Bu etiketler belirli görüntüleri aramana ve belirli etiketleri içeren görüntülerden veri kümesi sürümleri oluşturmana olanak tanır.

Etiket Yardımı (Model Tabanlı)#

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

YOLO26 için Veri Kümesi Yönetimi#

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

Veri Kümesi Arama#

Metin açıklamalarına veya belirli etiketlere göre görüntü bulmak için veri kümesi aramasını kullan. Bu özelliğe kenar çubuğunda "Dataset" seçeneğine tıklayarak erişebilirsin.

Sağlık Kontrolü#

Eğitimden önce veri kümen hakkında bilgi edinmek ve olası iyileştirmeleri belirlemek için Roboflow Health Check'i kullan. Bu özelliğe kenar çubuğundaki "Health Check" bağlantısından erişebilirsin. Görüntü boyutları, sınıf dengesi, açıklama ısı haritaları ve daha fazlası hakkında istatistikler sağlar.

Health Check, sınıf dengesi özelliğinde belirlenen sınıf dengesizliklerini giderme gibi performansı artıracak değişiklikler önerebilir. Etkili model eğitimi için veri kümesinin durumunu anlamak çok önemlidir.

Model Dayanıklılığı için Verileri Ön İşleme ve Artırma#

Verilerini dışa aktarmak için veri kümeninin belirli bir zamandaki anlık görüntüsü olan bir veri kümesi sürümü oluşturman gerekir. Kenar çubuğunda önce "Versions", ardından "Create New Version" seçeneğine tıkla. Burada, model dayanıklılığını potansiyel olarak artırmak için ön işleme adımlarını ve veri artırmalarını uygulayabilirsin.

Seçilen her artırma için bir açılır pencere, parlaklık gibi parametreleri hassas şekilde ayarlamana olanak tanır. Uygun veri artırma, model eğitimi ipuçları kılavuzumuzda ele alınan temel bir kavram olan model genellemesini önemli ölçüde iyileştirebilir.

Model Eğitimi için Verileri 40'tan Fazla Formatla Dışa Aktarma#

Veri kümesi sürümün oluşturulduktan sonra bu sürümü model eğitimine uygun çeşitli formatlarda dışa aktarabilirsin. Sürüm sayfasındaki "Export Dataset" düğmesine tıkla.

Ultralytics eğitim işlem hatlarıyla uyumluluk için "YOLO26" formatını seç. Artık özel YOLO26 modelini eğitmeye hazırsın. Dışa aktardığın veri kümesiyle eğitimi başlatma hakkında ayrıntılı talimatlar için Ultralytics Train modu belgelerine başvurabilirsin.

Test ve Dağıtım için Özel YOLO26 Model Ağırlıklarını Yükleme#

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

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 sayısını ve MODEL_PATH değerini Roboflow hesabına, projenize ve yerel eğitim sonuçları dizinine özel değerlerle değiştir. MODEL_PATH değerinin, eğitilmiş best.pt ağırlık dosyasını içeren dizini doğru şekilde gösterdiğinden emin ol.

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

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

Yüklediğin model, eğitimi temelinde yeni görüntüler için açıklamalar öneren bir etiketleme yardımcısı olarak da kullanılabilir.

YOLO26 Modellerini Değerlendirme#

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

Bir model yükledikten sonra Roboflow kontrol panelindeki model sayfandan 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 tahminleri ile temel gerçek verilerini içeren karşılık gelen görüntüleri görüntülemek için hücrelere tıkla.

CLIP gömmelerine göre görüntü benzerliğini görselleştiren bir dağılım grafiği için "Vector Analysis" seçeneğine tıkla. Birbirine daha yakın görüntüler anlamsal olarak benzerdir. Noktalar görüntüleri temsil eder ve beyazdan (iyi performans) kırmızıya (kötü performans) doğru renklendirilir.

Vektör Analizi şunlara yardımcı olur:

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

Öğrenme Kaynakları#

• Özel Veri Kümesinde YOLO Eğitimi (Colab): Verilerin üzerinde eğitim yapmak için etkileşimli Google Colab not defteri.
• Ultralytics YOLO Belgeleri: YOLO modellerini eğitirme, dışa aktarma ve dağıtma.
• Ultralytics Blogu: Bilgisayarlı görü ve model eğitimi hakkında makaleler.
• Ultralytics YouTube: Model eğitimi ve dağıtımı hakkında video kılavuzları.

SSS#