Roboflow Entegrasyonu

Roboflowbilgisayarla görme modelleri oluşturmak ve dağıtmak için tasarlanmış bir araç paketi sunar. Roboflow 'u, API'lerini ve SDK'larını kullanarak geliştirme hattınızın çeşitli aşamalarına entegre edebilir veya görüntü toplamadan çıkarıma kadar süreci yönetmek için uçtan uca arayüzünü kullanabilirsiniz. Roboflow , veri etiketleme, model eğitimi ve model dağıtımı için işlevler sunarak Ultralytics araçlarının yanı sıra özel bilgisayarla görme çözümleri geliştirmek için bileşenler sağlar.

Bu kılavuzda, özel bir eğitim için verilerin nasıl bulunacağı, etiketleneceği ve düzenleneceği gösterilmektedir Ultralytics YOLO11Roboflow kullanarak model.

• Özel Bir YOLO11 Modelini Eğitmek için Veri Toplayın
• YOLO11 Formatı için Veri Yükleme, Dönüştürme ve Etiketleme
• Model Sağlamlığı için Verileri Ön İşleme Tabi Tutun ve Artırın
• için Veri Kümesi Yönetimi YOLO11
• Model Eğitimi için Verileri 40+ Formatta Dışa Aktarın
• Test ve Dağıtım için Özel YOLO11 Model Ağırlıklarını Yükleyin
• YOLO11 Modelleri Nasıl Değerlendirilir?
• Öğrenme Kaynakları
• Proje Vitrini
• SSS

Özel Bir YOLO11 Modelini Eğitmek için Veri Toplayın

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 Açıklama Kılavuzumuza bakın.

Roboflow Evren

Roboflow Universe, çok sayıda görüntü veri kümesi içeren çevrimiçi bir depodur.

Bir Roboflow hesabı ile Universe'de bulunan veri kümelerini dışa aktarabilirsiniz. Bir veri setini dışa aktarmak için ilgili veri seti sayfasındaki "Bu Veri Setini İndir" düğmesini kullanın.

Ultralytics ile uyumluluk için YOLO11, dışa aktarma formatı olarakYOLO11i seçin:

Universe ayrıca Roboflow'a yüklenen halka açık ince ayarlı YOLO modellerini toplayan bir sayfa da içeriyor. Bu, test veya otomatik veri etiketleme için önceden eğitilmiş modelleri keşfetmek için yararlı olabilir.

Roboflow Collect

Görüntüleri kendiniz toplamayı tercih ediyorsanız Roboflow Collect, uç cihazlarda bir web kamerası aracılığıyla otomatik görüntü toplamayı sağlayan açık kaynaklı bir projedir. Toplanacak verileri belirtmek için metin veya görüntü istemlerini kullanabilir, böylece görüş modeliniz için yalnızca gerekli görüntülerin yakalanmasına yardımcı olabilirsiniz.

YOLO11 Formatı için Veri Yükleme, Dönüştürme ve Etiketleme

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

Bir Ultralytics için verileri etiketlemek için YOLO modelini (algılama, örnek segmentasyonu, sınıflandırma, poz tahmini ve OBB'yi destekler) kullanarak Roboflow'da bir proje oluşturarak başlayın.

Ardından, resimlerinizi ve diğer araçlardaki mevcut ek açıklamaları Roboflow'a yükleyin.

Yükledikten sonra Ek Açıklama sayfasına yönlendirileceksiniz. Yüklenen görüntü grubunu seçin ve etiketlemeye başlamak için "Açıklama Eklemeye Başla "ya tıklayın.

Ek Açıklama Araçları

• Sınırlayıcı Kutu Açıklaması: Basın B veya kutu simgesine tıklayın. Oluşturmak için tıklayın ve sürükleyin sınırlayıcı kutu. Bir açılır pencere sizden ek açıklama için bir sınıf seçmenizi isteyecektir.

• Poligon Ek Açıklaması: Şunlar için kullanılır örnek segmentasyonu. Basın P veya çokgen simgesine tıklayın. Çokgeni çizmek için nesnenin etrafındaki noktalara tıklayın.

Etiket AsistanıSAM Entegrasyonu)

Roboflow , ek açıklamayı potansiyel olarak hızlandırmak için Segment Anything Model (SAM) tabanlı bir etiket asistanını entegre eder.

Etiket asistanını kullanmak için kenar çubuğundaki imleç simgesine tıklayın. SAM projeniz için etkinleştirilecektir.

Bir nesnenin üzerine geldiğinizde SAM bir ek açıklama önerebilir. Ek açıklamayı kabul etmek için tıklayın. Önerilen alanın içine veya dışına tıklayarak ek açıklamanın özelliğini hassaslaştırabilirsiniz.

Etiketleme

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

Etiket Yardımı (Model Tabanlı)

Roboflow 'da barındırılan modeller, eğitiminizden yararlanan otomatik bir açıklama aracı olan Label Assist ile kullanılabilir YOLO11 ek açıklamalar önermek için model. Öncelikle YOLO11 model ağırlıklarınızı Roboflow 'a yükleyin (aşağıdaki talimatlara bakın). Ardından, sol kenar çubuğundaki sihirli değnek simgesine tıklayarak ve modelinizi seçerek Etiket Yardımını etkinleştirin.

Modelinizi seçin ve Etiket Yardımını etkinleştirmek için "Devam" düğmesine tıklayın:

Ek açıklama için yeni görüntüler açtığınızda, Label Assist modelinizin tahminlerine dayanarak otomatik olarak ek açıklamalar önerebilir.

için Veri Kümesi Yönetimi YOLO11

Roboflow , bilgisayarla görme veri kümelerinizi anlamak ve yönetmek için çeşitli araçlar sağlar.

Veri Seti Arama

Semantik metin açıklamalarına (örneğin, "insan içeren tüm görüntüleri bul") veya belirli etiketlere/etiketlere dayalı görüntüleri bulmak için veri kümesi aramasını kullanın. Bu özelliğe kenar çubuğundaki "Veri Kümesi "ne tıklayıp arama çubuğunu ve filtreleri kullanarak erişin.

Örneğin, insan içeren görüntülerin aranması:

"Etiketler" seçicisi aracılığıyla etiketleri kullanarak aramaları hassaslaştırabilirsiniz:

Sağlık Kontrolü

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

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

Model Sağlamlığı için Verileri Ön İşleme Tabi Tutun ve Artırın

Verilerinizi dışa aktarmak için, veri kümenizin belirli bir zamandaki anlık görüntüsü olan bir veri kümesi sürümü oluşturmanız gerekir. Kenar çubuğundaki "Sürümler" ve ardından "Yeni Sürüm Oluştur" seçeneğine tıklayın. Burada, model sağlamlığını potansiyel olarak artırmak için ön işleme adımları ve veri artırımları uygulayabilirsiniz.

Seçilen her bir büyütme için, bir açılır pencere parlaklık gibi parametrelerinde ince ayar yapmanıza olanak tanır. Doğru büyütme, model eğitimi ipuçları kılavuzumuzda tartışılan önemli bir kavram olan model genellemesini önemli ölçüde geliştirebilir.

Model Eğitimi için Verileri 40+ Formatta Dışa Aktarın

Veri kümesi sürümünüz oluşturulduktan sonra, model eğitimi için uygun çeşitli formatlarda dışa aktarabilirsiniz. Sürüm sayfasındaki "Veri Setini Dışa Aktar" düğmesine tıklayın.

Ultralytics eğitim işlem hatları ile uyumluluk içinYOLO11" formatını seçin. Artık özel eğitiminizi vermeye hazırsınız YOLO11 model. Dışa aktarılan veri kümenizle eğitim başlatma hakkında ayrıntılı talimatlar için Ultralytics Train modu belgelerine bakın.

Test ve Dağıtım için Özel YOLO11 Model Ağırlıklarını Yükleyin

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

YOLO11 modellerini, ağırlıklarını Roboflow 'a yükleyerek basit bir Python Senaryo.

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 YOLO11 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'
project.version(dataset.version).deploy(
    model_type="yolov8", model_path=MODEL_PATH
)  # Note: Use "yolov8" as model_type for YOLO11 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 şunları değiştirin your-workspace-id, your-project-id, the VERSION numarası ve MODEL_PATH Roboflow hesabınıza, projenize ve yerel eğitim sonuçları dizininize özgü değerlerle. Emin olun MODEL_PATH doğru bir şekilde eğittiğiniz dizini işaret eder best.pt Ağırlık dosyası.

Yukarıdaki kodu çalıştırdığınızda, sizden kimlik doğrulaması yapmanız istenecektir (genellikle bir API anahtarı aracılığıyla). Ardından, modeliniz yüklenecek ve projeniz için bir API uç noktası 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, web kameranızı kullanarak veya resim ya da video yükleyerek modelinizi test etmenizi sağlayan bir widget görünecektir.

Yüklediğiniz model, eğitimine dayanarak yeni görüntüler üzerinde ek açıklamalar öneren bir etiketleme asistanı olarak da kullanılabilir.

YOLO11 Modelleri Nasıl Değerlendirilir?

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

Bir model yükledikten sonra Roboflow kontrol panelindeki model sayfanız üzerinden model değerlendirme aracına erişin. "Ayrıntılı Değerlendirmeyi Görüntüle "ye tıklayın.

Bu araç, model performansını gösteren bir karışıklık matrisi ve CLIP katıştırmalarını kullanan etkileşimli bir vektör analizi grafiği görüntüler. Bu özellikler model iyileştirme alanlarının belirlenmesine yardımcı olur.

Karışıklık matrisi açılır:

Değerleri görmek için hücrelerin üzerine gelin ve model tahminleri ve yer gerçeği verileriyle ilgili görüntüleri görüntülemek için hücrelere tıklayın.

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

Vektör Analizi yardımcı olur:

• Görüntü kümelerini tanımlayın.
• Modelin zayıf performans gösterdiği kümeleri belirleyin.
• Düşük performansa neden olan görüntüler arasındaki ortak noktaları anlayın.

Öğrenme Kaynakları

Roboflow 'u Ultralytics YOLO11 ile kullanma hakkında daha fazla bilgi edinmek için bu kaynakları keşfedin:

• YOLO11 'i Özel Bir Veri Kümesi Üzerinde Eğitin (Colab): YOLO11 ' YOLO11 verileriniz üzerinde eğitirken size rehberlik eden etkileşimli bir Google Colab not defteri.
• YOLO11 Dokümantasyon: Ultralytics çerçevesi içinde YOLO11 modellerini eğitme, dışa aktarma ve dağıtma hakkında bilgi edinin.
• Ultralytics Blog: YOLO11 eğitimi ve en iyi açıklama uygulamaları da dahil olmak üzere bilgisayarla görme üzerine makaleler içerir.
• Ultralytics YouTube Kanalı: Model eğitiminden otomatik etiketleme ve dağıtıma kadar bilgisayarla görme konularında derinlemesine video kılavuzları sunar.

Proje Vitrini

Ultralytics YOLO11 ve Roboflow'u birleştiren kullanıcılardan gelen geri bildirimler:

SSS

Sıkça Sorulan Sorular

Roboflow kullanarak YOLO11 modelleri için verileri nasıl etiketleyebilirim?

Roboflow Annotate'i kullanın. Bir proje oluşturun, görüntüleri yükleyin ve ek açıklama araçlarını kullanın (B için sınırlayıcı kutular, P çokgenler için) veya daha hızlı etiketleme için SAM etiket asistanı. Ayrıntılı adımlar şurada mevcuttur Veri Yükleme, Dönüştürme ve Etiketleme bölümü.

Roboflow , YOLO11 eğitim verilerini toplamak için hangi hizmetleri sunuyor?

Roboflow , Universe (çok sayıda veri kümesine erişim) ve Collect (web kamerası aracılığıyla otomatik görüntü toplama) sağlar. Bunlar, Veri Toplama Kılavuzumuzda özetlenen stratejileri tamamlayarak YOLO11 modeliniz için gerekli eğitim verilerini elde etmenize yardımcı olabilir.

Roboflow kullanarak YOLO11 veri kümemi 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.

YOLO11 veri kümemi Roboflow adresinden nasıl dışa aktarabilirim?

Roboflow'da bir veri kümesi sürümü oluşturun, istenen ön işleme ve artırmaları uygulayın, ardından "Veri Kümesini Dışa Aktar "a tıklayın ve YOLO11 formatını seçin. İşlem, Verileri Dışa Aktar bölümünde özetlenmiştir. Bu, verilerinizi Ultralytics eğitim işlem hatlarıyla kullanım için hazırlar.

YOLO11 modellerini Roboflow ile nasıl entegre edebilir ve dağıtabilirim?

Sağlanan Python betiğini kullanarak eğitilmiş YOLO11 ağırlıklarınızı Roboflow 'a yükleyin. Bu, dağıtılabilir bir API uç noktası oluşturur. Komut dosyası ve talimatlar için Özel Ağırlıkları Yükle bölümüne bakın. Belgelerimizdeki diğer dağıtım seçeneklerini keşfedin.

📅1 yıl önce oluşturuldu ✏️ 24 gün önce güncellendi

Yorumlar