Roboflow

Roboflow bilgisayarla görme modelleri oluşturmak ve dağıtmak için ihtiyacınız olan her şeye sahiptir. API'ler ve SDK'lar ile işlem hattınızdaki herhangi bir adımda Roboflow adresine bağlanın veya görüntüden çıkarıma kadar tüm süreci otomatikleştirmek için uçtan uca arayüzü kullanın. İster veri etiketlemeye, ister model eğitimine veya model dağıtımına ihtiyaç duyuyor olun, Roboflow size projenize özel bilgisayarla görme çözümleri getirmeniz için yapı taşları sunar.

Bu kılavuzda, özel bir Ultralytics YOLOv8 modelinin eğitiminde kullanılmak üzere verilerin nasıl bulunacağını, etiketleneceğini ve düzenleneceğini göstereceğiz. Doğrudan belirli bir bölüme atlamak için aşağıdaki içindekiler tablosunu kullanın:

• Özel bir YOLOv8 modelini eğitmek için veri toplayın
• YOLOv8 formatı için verileri yükleyin, dönüştürün ve etiketleyin
• Model sağlamlığı için verileri önceden işleyin ve artırın
• Şunlar için veri kümesi yönetimi YOLOv8
• Model eğitimi için verileri 40'tan fazla formatta dışa aktarın
• Test ve dağıtım için özel YOLOv8 model ağırlıklarını yükleyin
• Özel Bir YOLOv8 Modelini Eğitmek için Veri Toplayın

Roboflow YOLOv8 modelleri için veri toplamanıza yardımcı olabilecek iki hizmet sunar: Universe ve Collect.

Universe, toplamda 100 milyondan fazla görüntü içeren 250.000'den fazla görüntü veri setine sahip çevrimiçi bir depodur.

Ücretsiz bir Roboflow hesabı ile Universe'de bulunan tüm veri setlerini dışa aktarabilirsiniz. Bir veri setini dışa aktarmak için, herhangi bir veri setindeki "Bu Veri Setini İndir" düğmesine tıklayın.

YOLOv8 için dışa aktarma biçimi olarak "YOLOv8" seçin:

Universe ayrıca Roboflow adresine yüklenen tüm genel ince ayarlı YOLOv8 modellerini bir araya getiren bir sayfaya sahiptir. Bu sayfayı test veya otomatik veri etiketleme için kullanabileceğiniz önceden eğitilmiş modelleri keşfetmek veya Roboflow çıkarımı ile prototip oluşturmak için kullanabilirsiniz.

Görüntüleri kendiniz toplamak istiyorsanız, kenardaki bir web kamerasını kullanarak görüntüleri otomatik olarak toplamanıza olanak tanıyan açık kaynaklı bir proje olan Collect'i deneyin. Hangi verilerin toplanması gerektiğini bildirmek için Collect ile metin veya resim istemlerini kullanabilirsiniz, böylece yalnızca görüş modelinizi oluşturmak için ihtiyaç duyduğunuz yararlı verileri yakalayabilirsiniz.

YOLOv8 Formatı için Veri Yükleme, Dönüştürme ve Etiketleme

Roboflow Annotate, nesne algılama, sınıflandırma ve segmentasyon için görüntüleri etiketlemede kullanılmak üzere çevrimiçi bir açıklama aracıdır.

Bir YOLOv8 nesne algılama, örnek segmentasyonu veya sınıflandırma modeli için verileri etiketlemek üzere önce Roboflow adresinde bir proje oluşturun.

Ardından, resimlerinizi ve diğer araçlardan(desteklenen 40'tan fazla içe aktarma formatından birini kullanarak) önceden var olan ek açıklamalarınızı Roboflow adresine yükleyin.

Görüntüleri yükledikten sonra yönlendirildiğiniz Annotate sayfasında yüklediğiniz görüntü grubunu seçin. Ardından, görüntüleri etiketlemek için "Açıklama Eklemeye Başla "ya tıklayın.

Sınırlayıcı kutularla etiketlemek için B tuşuna basın veya kenar çubuğundaki kutu simgesine tıklayın. Sınırlayıcı kutunuzu başlatmak istediğiniz bir noktaya tıklayın, ardından kutuyu oluşturmak için sürükleyin:

Bir ek açıklama oluşturduktan sonra ek açıklamanız için bir sınıf seçmenizi isteyen bir açılır pencere görüntülenecektir.

Çokgenlerle etiketlemek için P tuşuna veya kenar çubuğundaki çokgen simgesine tıklayın. Çokgen açıklama aracı etkinken, bir çokgen çizmek için görüntüdeki tek tek noktalara tıklayın.

Roboflow görüntüleri her zamankinden daha hızlı etiketleyebileceğiniz SAM tabanlı bir etiket asistanı sunar. SAM (Segment Anything Model), görüntüleri hassas bir şekilde etiketleyebilen son teknoloji ürünü bir bilgisayarla görme modelidir. SAM ile görüntü etiketleme işlemini önemli ölçüde hızlandırabilirsiniz. Görüntülere çokgenlerle açıklama eklemek, bir nesnenin etrafındaki noktalara tam olarak tıklamak gibi sıkıcı bir işlem yerine birkaç tıklama kadar basit hale gelir.

Etiket asistanını kullanmak için kenar çubuğundaki imleç simgesine tıklayın, SAM projenizde kullanılmak üzere yüklenecektir.

Görüntüdeki herhangi bir nesnenin üzerine geldiğinizde SAM size bir açıklama önerecektir. Ek açıklama eklemek için doğru yeri bulmak üzere üzerine gelebilir ve ardından ek açıklamanızı oluşturmak için tıklayabilirsiniz. Ek açıklamanızı daha fazla veya daha az spesifik olacak şekilde değiştirmek için, SAM 'un belge üzerinde oluşturduğu ek açıklamanın içine veya dışına tıklayabilirsiniz.

Kenar çubuğundaki Etiketler panelinden de görüntülere etiket ekleyebilirsiniz. Belirli bir alandan, belirli bir kameradan ve daha fazlasından alınan verilere etiketler uygulayabilirsiniz. Daha sonra bu etiketleri kullanarak bir etiketle eşleşen görüntüler için veriler arasında arama yapabilir ve belirli bir etiketi veya etiket kümesini içeren görüntülerle bir veri kümesinin sürümlerini oluşturabilirsiniz.

Roboflow adresinde barındırılan modeller, ek açıklamalar önermek için YOLOv8 modelinizi kullanan otomatik bir ek açıklama aracı olan Label Assist ile kullanılabilir. Label Assist'i kullanmak için önce YOLOv8 modelini Roboflow adresine yükleyin (kılavuzun ilerleyen bölümlerindeki talimatlara bakın). Ardından, sol kenar çubuğundaki sihirli değnek simgesine tıklayın ve Label Assist'te kullanmak üzere modelinizi seçin.

Bir model seçin, ardından Etiket Yardımcısını etkinleştirmek için "Devam" düğmesine tıklayın:

Ek açıklama için yeni görüntüler açtığınızda, Label Assist ek açıklamaları tetikleyecek ve önerecektir.

için Veri Kümesi Yönetimi YOLOv8

Roboflow bilgisayarla görme veri kümelerini anlamak için bir dizi araç sağlar.

İlk olarak, anlamsal bir metin açıklamasını karşılayan (yani, insan içeren tüm görüntüleri bulmak) veya belirli bir etiketi karşılayan (yani, görüntü belirli bir etiketle ilişkilendirilir) görüntüleri bulmak için veri kümesi aramasını kullanabilirsiniz. Veri kümesi aramasını kullanmak için kenar çubuğundaki "Veri Kümesi "ne tıklayın. Ardından, sayfanın üst kısmındaki arama çubuğunu ve ilgili filtreleri kullanarak bir arama sorgusu girin.

Örneğin, aşağıdaki metin sorgusu bir veri kümesinde insan içeren görüntüleri bulur:

"Etiketler" seçicisini kullanarak aramanızı belirli bir etikete sahip resimlerle daraltabilirsiniz:

Veri setinizle bir modeli eğitmeye başlamadan önce, veri setiniz hakkında fikir veren ve bir görüntü modelini eğitmeden önce veri setini nasıl iyileştirebileceğinizi gösteren bir web aracı olan Roboflow Health Check'i kullanmanızı öneririz.

Sağlık Kontrolünü kullanmak için "Sağlık Kontrolü" kenar çubuğu bağlantısını tıklayın. Veri setinizdeki görüntülerin ortalama boyutunu, sınıf dengesini, ek açıklamaların görüntülerinizdeki yerini gösteren bir ısı haritasını ve daha fazlasını gösteren bir istatistik listesi görünecektir.

Sağlık Kontrolü, veri kümesi performansını artırmaya yardımcı olacak değişiklikler önerebilir. Örneğin, sınıf dengesi özelliği etiketlerde bir dengesizlik olduğunu gösterebilir ve bu dengesizlik çözülürse performansı veya modelinizi artırabilir.

Model Eğitimi için Verileri 40+ Formatta Dışa Aktarın

Verilerinizi dışa aktarmak için bir veri kümesi sürümüne ihtiyacınız olacaktır. Sürüm, veri kümenizin zaman içinde dondurulmuş halidir. Bir versiyon oluşturmak için önce kenar çubuğundaki "Versiyonlar "a tıklayın. Ardından, "Yeni Sürüm Oluştur" düğmesine tıklayın. Bu sayfada, veri setinize uygulanacak artırımları ve ön işleme adımlarını seçebileceksiniz:

Seçtiğiniz her artırma için, artırmayı ihtiyaçlarınıza göre ayarlamanıza olanak tanıyan bir açılır pencere görünecektir. Burada, belirtilen parametreler dahilinde bir parlaklık artırımının ayarlanmasına bir örnek verilmiştir:

Veri kümesi sürümünüz oluşturulduğunda, verilerinizi çeşitli biçimlerde dışa aktarabilirsiniz. Verilerinizi dışa aktarmak için veri seti sürümü sayfanızdaki "Veri Setini Dışa Aktar" düğmesine tıklayın:

Artık YOLOv8 adresini özel bir veri kümesi üzerinde eğitmeye hazırsınız. Adım adım talimatlar için bu yazılı kılavuzu ve YouTube videosunu izleyin veya Ultralytics belgelerine bakın.

Test ve Dağıtım için Özel YOLOv8 Model Ağırlıklarını Yükleyin

Roboflow NVIDIA Jetsons, Luxonis OAKs, Raspberry Pis, GPU tabanlı cihazlar ve daha fazlasıyla kullanılmak üzere konuşlandırılmış modeller ve SDK'lar için sonsuz ölçeklenebilir bir API sunar.

YOLOv8 ağırlıklarını Roboflow adresine yükleyerek YOLOv8 modellerini dağıtabilirsiniz. Bunu birkaç satırlık Python koduyla yapabilirsiniz. Yeni bir Python dosyası oluşturun ve aşağıdaki kodu ekleyin:

import roboflow  # install with 'pip install roboflow'

roboflow.login()

rf = roboflow.Roboflow()

project = rf.workspace(WORKSPACE_ID).project("football-players-detection-3zvbc")
dataset = project.version(VERSION).download("yolov8")

project.version(dataset.version).deploy(model_type="yolov8", model_path=f"{HOME}/runs/detect/train/")

Bu kodda, proje kimliğini ve sürüm kimliğini hesabınızın ve projenizin değerleriyle değiştirin. Roboflow API anahtarınızı nasıl alacağınızı öğrenin.

Yukarıdaki kodu çalıştırdığınızda, sizden kimlik doğrulaması yapmanız istenecektir. Ardından, modeliniz yüklenecek ve projeniz için bir API oluşturulacaktır. Bu işlemin tamamlanması 30 dakika kadar sürebilir.

Modelinizi test etmek ve desteklenen SDK'lar için dağıtım talimatlarını bulmak için Roboflow kenar çubuğundaki "Deploy" sekmesine gidin. Bu sayfanın üst kısmında, modelinizi test edebileceğiniz bir widget görünecektir. Canlı test için web kameranızı kullanabilir veya görüntü ya da video yükleyebilirsiniz.

Yüklediğiniz modeli etiketleme asistanı olarak da kullanabilirsiniz. Bu özellik, Roboflow adresine yüklenen görüntülere ek açıklamalar önermek için eğitilmiş modelinizi kullanır.

YOLOv8 Modelleri Nasıl Değerlendirilir?

Roboflow modellerin değerlendirilmesinde kullanılmak üzere bir dizi özellik sağlar.

Roboflow adresine bir model yükledikten sonra, modelinizin performansını gösteren bir karışıklık matrisinin yanı sıra etkileşimli bir vektör analizi grafiği sağlayan model değerlendirme aracımıza erişebilirsiniz. Bu özellikler modelinizi geliştirmek için fırsatlar bulmanıza yardımcı olabilir.

Bir karışıklık matrisine erişmek için Roboflow panosundaki model sayfanıza gidin ve ardından "Ayrıntılı Değerlendirmeyi Görüntüle "ye tıklayın:

Karışıklık matrisini gösteren bir açılır pencere görüntülenecektir:

Kutuyla ilişkili değeri görmek için karışıklık matrisinde bir kutunun üzerine gelin. İlgili kategorideki görüntüleri görmek için bir kutuya tıklayın. Model tahminlerini ve o görüntüyle ilişkili temel gerçek verilerini görüntülemek için bir görüntüye tıklayın.

Daha fazla bilgi için Vektör Analizi'ne tıklayın. Bu, veri kümenizdeki görüntülerin CLIP kullanılarak hesaplanan bir dağılım grafiğini gösterecektir. Görüntüler grafikte ne kadar yakınsa, anlamsal olarak o kadar benzerdirler. Her görüntü, beyaz ve kırmızı arasında bir renge sahip bir nokta olarak temsil edilir. Nokta ne kadar kırmızıysa model o kadar kötü performans göstermiştir.

Vektör Analizini şu amaçlarla kullanabilirsiniz:

• Görüntü kümelerini bulun;
• Modelin düşük performans gösterdiği kümeleri belirleyin ve;
• Modelin düşük performans gösterdiği görüntüler arasındaki ortak noktaları görselleştirin.

Öğrenme Kaynakları

YOLOv8 modelleri oluşturmak için Roboflow adresini kullanma hakkında daha fazla bilgi edinmek ister misiniz? Aşağıdaki kaynaklar çalışmalarınızda size yardımcı olabilir.

• YOLOv8 'u Özel Bir Veri Kümesi Üzerinde Eğitin: Bir YOLOv8 modelini özel bir veri kümesinde nasıl eğiteceğinizi gösteren etkileşimli not defterimizi takip edin.
• Autodistill: Belirli modeller için verileri etiketlemek üzere büyük temel görüş modellerini kullanın. Autodistill ile YOLOv8 sınıflandırma, algılama ve segmentasyon modellerinin eğitiminde kullanmak üzere görüntüleri etiketleyebilirsiniz.
• Denetim: Bilgisayarla görme modelleriyle çalışmak için yararlı yardımcı programlar içeren bir Python paketi. Tespitleri filtrelemek, karışıklık matrislerini hesaplamak ve daha fazlasını yapmak için Python kodunun birkaç satırında denetimi kullanabilirsiniz.
• Roboflow Blog: Roboflow Blogunda, YOLOv8 modelinin nasıl eğitileceğinden en iyi açıklama uygulamalarına kadar bilgisayarla görme konusunda 500'den fazla makale yer almaktadır.
• Roboflow YouTube kanalı: YouTube kanalımızda, YOLOv8 modellerinin eğitiminden otomatik görüntü etiketlemeye kadar birçok konuyu kapsayan düzinelerce derinlemesine bilgisayarla görme kılavuzuna göz atın.

Proje Vitrini

Aşağıda, bilgisayarla görme modelleri oluşturmak için YOLOv8 ve Roboflow adreslerini birlikte kullanmaya yönelik aldığımız çok sayıda geri bildirimden birkaçı yer almaktadır.

Yorumlar