Roboflow

RoboflowYOLO dahil olmak üzere çeşitli formatlarda veri etiketleme ve veri kümesi dışa aktarma araçları sağlar. Bu kılavuz, Ultralytics YOLO modellerine yönelik veri etiketleme, dışa aktarma ve dağıtma işlemlerini ele almaktadır.

Bu kılavuz, Roboflow kullanarak özel bir Ultralytics YOLO26 modeli eğitmek için verilerin nasıl bulunacağını, etiketleneceğini ve düzenleneceğini göstermektedir.

• Eğitim için Veri Toplama
• Etiket Verileri
• Veri Kümesi Yönetimi
• Veri Dışa Aktar
• Modelleri Dağıt
• Modelleri Değerlendirin
• SSS

Özel bir YOLO26 Modeli Eğitmek için Veri Toplama

Roboflow, Ultralytics YOLO modelleri için veri toplamaya yardımcı olmak üzere iki temel hizmet sunar: Universe ve Collect. Veri toplama stratejileri hakkında daha genel bilgi için Veri Toplama ve Etiketleme Kılavuzumuza bakın.

Roboflow Universe

Roboflow , görsel veri kümelerinin çevrimiçi depolama alanıdır. Ultralytics kullanmak üzere veri kümelerini YOLO dışa aktarabilirsiniz.

Roboflow Collect

Görüntüleri kendiniz toplamayı tercih ederseniz, Roboflow Collect, uç cihazlardaki bir web kamerası aracılığıyla otomatik görüntü toplamayı sağlayan açık kaynaklı bir projedir. Toplanacak verileri belirtmek için metin veya görüntü istemleri kullanabilir, böylece vizyon modeliniz için yalnızca gerekli görüntüleri yakalamaya yardımcı olursunuz.

YOLO26 Formatı için Veri Yükleme, Dönüştürme ve Etiketleme

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

Ultralytics için verileri etiketlemek Ultralytics YOLO modeli için verileri etiketlemek için Roboflowda bir proje oluşturun, görüntülerinizi yükleyin ve açıklama eklemeye başlayın.

Açıklama Araçları

• Sınırlayıcı Kutu Açıklaması: Şuna basın: B veya kutu simgesini tıklayın. Dikdörtgeni oluşturmak için tıklayın ve sürükleyin. sınırlayıcı kutu. Açılır pencere, açıklama için bir sınıf seçmenizi isteyecektir.
• Çokgen Açıklaması: Şunun için kullanılır: örnek segmentasyonu. Şuna basın: P veya çokgen simgesini tıklayın. Çokgeni çizmek için nesnenin etrafındaki noktalara tıklayın.

Etiket Yardımcısı (SAM Entegrasyonu)

Roboflow, etiketlemeyi potansiyel olarak hızlandırmak için bir Segment Anything Model (SAM) tabanlı etiketleme yardımcısı entegre eder.

Etiket yardımcısını kullanmak için kenar çubuğundaki imleç simgesini tıklayın. Projeniz için SAM etkinleştirilecektir.

Bir nesnenin üzerine gelin ve SAM bir açıklama önerebilir. Açıklamayı kabul etmek için tıklayın. Önerilen alanın içine veya dışına tıklayarak açıklamanın özgüllüğünü iyileştirebilirsiniz.

Etiketleme

Kenar çubuğundaki Etiketler panelini kullanarak resimlere etiketler ekleyebilirsiniz. Etiketler konum, kamera kaynağı vb. gibi özellikleri temsil edebilir. Bu etiketler, belirli resimleri aramanıza ve belirli etiketlere sahip resimleri içeren veri kümesi sürümleri oluşturmanıza olanak tanır.

Etiket Yardımı (Model Tabanlı)

Roboflow barındırılan modeller Roboflow Label Assist ile birlikte Roboflow açıklamalar Roboflow . YOLO ağırlıklarınızı Roboflow yükleyin Roboflow aşağıdaki talimatlara bakın), ardından kenar çubuğundaki sihirli değnek simgesini kullanarak Label Assist'i etkinleştirin.

YOLO26 için Veri Kümesi Yönetimi

Roboflow, bilgisayar görüşü veri kümelerinizi anlamak ve yönetmek için çeşitli araçlar sağlar.

Veri Kümesi Arama

Metin açıklamalarına veya belirli etiketlere/etiketlere göre görüntüleri bulmak için veri kümesi aramasını kullanın. Bu özelliğe, kenar çubuğundaki "Veri Kümesi"ni tıklayarak erişebilirsiniz.

Sağlık Kontrolü

Eğitime başlamadan önce, veri kümeniz hakkında bilgi edinmek ve potansiyel iyileştirmeleri belirlemek için Roboflow Sağlık Kontrolü'nü kullanın. "Sağlık Kontrolü" kenar çubuğu bağlantısı aracılığıyla erişin. Görüntü boyutları, sınıf dengesi, açıklama ısı haritaları ve daha fazlası hakkında istatistikler sağlar.

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

Modelin Dayanıklılığı İçin Verileri Ön İşleme ve Artırma

Verilerinizi dışa aktarmak için, belirli bir zaman noktasındaki veri kümenizin anlık görüntüsü olan bir veri kümesi sürümü oluşturmanız gerekir. Kenar çubuğunda "Sürümler"e, ardından "Yeni Sürüm Oluştur"a tıklayın. Burada, modelin sağlamlığını potansiyel olarak artırmak için ön işleme adımları ve veri artırmaları uygulayabilirsiniz.

Seçilen her artırma için, bir açılır pencere parlaklık gibi parametrelerini ince ayarlamanıza olanak tanır. Doğru artırma, model genellemesini önemli ölçüde iyileştirebilir; bu, model eğitimi ipuçları kılavuzumuzda tartışılan önemli bir kavramdır.

Model Eğitimi için 40'tan Fazla Biçimde Veri Dışa Aktarma

Veri kümesi sürümünüz oluşturulduktan sonra, model eğitimi için uygun çeşitli biçimlerde dışa aktarabilirsiniz. Sürüm sayfasındaki "Veri Kümesini Dışa Aktar" düğmesini tıklayın.

Ultralytics eğitim hatlarıyla uyumluluk için "YOLO26" formatını seçin. Artık özel YOLO26 modelinizi eğitmeye hazırsınız. Dışa aktarılan veri kümenizle eğitimi başlatma hakkında ayrıntılı talimatlar için Ultralytics Eğitim modu belgelerine bakın.

Test ve Dağıtım için Özel YOLO26 Model Ağırlıklarını Yükleme

Roboflow, dağıtılan 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 keşfedin.

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

Yeni bir Python dosyası oluşturun ve aşağıdaki kodu ekleyin:

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, şunu değiştirin: your-workspace-id, your-project-id, 'in VERSION sayısı ve MODEL_PATH Roboflow hesabınıza, projenize ve yerel eğitim sonuçları dizininize özel değerlerle. Şundan emin olun: MODEL_PATH eğitilmiş olduğunuz dizini doğru şekilde gösterir best.pt ağırlıklar dosyası.

Yukarıdaki kodu çalıştırdığınızda, kimlik doğrulamanız (genellikle bir API anahtarı aracılığıyla) istenecektir. Ardından, modeliniz yüklenecek ve projeniz için bir API uç noktası oluşturulacaktır. Bu işlem 30 dakikaya kadar sürebilir.

Modelinizi test etmek ve desteklenen SDK'lar için dağıtım talimatlarını bulmak için Roboflow kenar çubuğundaki "Dağıt" sekmesine gidin. Bu sayfanın üst kısmında, web kameranızı kullanarak veya resim veya video yükleyerek modelinizi test etmenize olanak tanıyan bir araç görüntülenir.

Yüklediğiniz model, eğitimi temel alınarak yeni görüntülerde açıklamalar öneren 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 panosundaki model sayfanız aracılığıyla model değerlendirme aracına erişin. "Ayrıntılı Değerlendirmeyi Görüntüle"ye tıklayın.

Bu araç, model performansını gösteren bir karmaşıklık matrisi ve CLIP gömme özelliklerini kullanan etkileşimli bir vektör analizi grafiği görüntüler. Bu özellikler, modelin iyileştirilmesi gereken alanları belirlemeye yardımcı olur.

Karışıklık matrisi açılır penceresi:

Değerleri görmek için hücrelerin üzerine gelin ve model tahminleri ve temel gerçek verilerle karşılık gelen görüntüleri görüntülemek için hücreleri tıklayın.

CLIP gömülerine dayalı görüntü benzerliğini görselleştiren bir dağılım grafiği için "Vektör Analizi"ne tıklayın. Birbirine daha yakın görüntüler semantik olarak benzerdir. Noktalar görüntüleri temsil eder, beyazdan (iyi performans) kırmızıya (kötü performans) doğru renklendirilir.

Vektör Analizi şunlara yardımcı olur:

• Görüntü kümelerini belirleyin.
• Modelin kötü performans gösterdiği kümeleri belirleyin.
• Kötü performansa neden olan görüntüler arasındaki ortak noktaları anlayın.

Öğrenme Kaynakları

• Özel Veri YOLO Eğitin (Colab): Verileriniz üzerinde eğitim için etkileşimli Google not defteri.
• Ultralytics YOLO : YOLO eğitimi, dışa aktarımı ve dağıtımı.
• Ultralytics : Bilgisayar görme ve model eğitimi ile ilgili makaleler.
• Ultralytics : Model eğitimi ve dağıtımı ile ilgili video kılavuzları.

SSS

Roboflow kullanarak YOLO26 modelleri için verileri nasıl etiketlerim?

Roboflow Annotate'i kullanın. Bir proje oluşturun, resimleri yükleyin ve açıklama araçlarını kullanın (B için sınırlayıcı kutular, P çokgenler için) veya daha hızlı etiketleme için SAM tabanlı etiket yardımcısı. Ayrıntılı adımlar şu adreste mevcuttur: Veri Yükleme, Dönüştürme ve Etiketleme bölümü.

Roboflow, YOLO26 eğitim verilerini toplamak için hangi hizmetleri sunar?

Roboflow, Universe (çok sayıda veri kümesine erişim) ve Collect (web kamerası aracılığıyla otomatik görüntü toplama) sunar. Bunlar, Veri Toplama Kılavuzumuzda belirtilen stratejileri tamamlayarak YOLO26 modeliniz için gerekli eğitim verilerini edinmenize yardımcı olabilir.

Roboflow kullanarak YOLO26 veri kümelerimi nasıl yönetebilir ve analiz edebilirim?

Roboflow'un veri kümesi arama, etiketleme ve Sağlık Kontrolü özelliklerini kullanın. 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 bakın.

YOLO26 veri kümelerimi Roboflow'dan nasıl dışa aktarırım?

Roboflow'da bir veri kümesi sürümü oluşturun, istenen ön işleme ve artırmaları uygulayın, ardından "Veri Kümesini Dışa Aktar"a tıklayın ve YOLO26 formatını seçin. Süreç, Veri Dışa Aktarma bölümünde özetlenmiştir. Bu, verilerinizi Ultralytics eğitim hatlarıyla kullanıma hazırlar.

YOLO26 modellerini Roboflow ile nasıl entegre edebilir ve dağıtabilirim?

Eğitilmiş YOLO26 ağırlıklarınızı sağlanan Python betiğini kullanarak Roboflow'a yükleyin. Bu, dağıtılabilir bir API uç noktası oluşturur. Betik ve talimatlar için Özel Ağırlıkları Yükleme bölümüne bakın. Belgelerimizde daha fazla dağıtım seçeneğini keşfedin.

📅 2 yıl önce oluşturuldu ✏️ 5 gün önce güncellendi

Yorumlar