Roboflow Veri Setleri
Artık YOLOv5 🚀 modellerini eğitmek üzere veri kümelerinizi düzenlemek, etiketlemek, hazırlamak, sürümlemek ve barındırmak için Roboflow adresini kullanabilirsiniz. Roboflow çalışma alanınızı herkese açık hale getirirseniz YOLOv5 ile birlikte kullanmak ücretsizdir.
Lisanslama
Ultralytics iki lisanslama seçeneği sunar:
- AGPL-3.0 Lisansı, öğrenciler ve meraklılar için ideal olan OSI onaylı bir açık kaynak lisansıdır.
- Yapay zeka modellerimizi ürün ve hizmetlerine dahil etmek isteyen işletmeler için Kurumsal Lisans.
Daha fazla ayrıntı için bkz. Ultralytics Lisanslama.
Yükle
Verilerinizi Roboflow adresine web UI, REST API veya Python.
Etiketleme
Verileri Roboflow adresine yükledikten sonra, verilerinizi etiketleyebilir ve önceki etiketleri inceleyebilirsiniz.
Versiyonlama
Veri kümenizin farklı ön işleme ve çevrimdışı büyütme seçeneklerine sahip sürümlerini oluşturabilirsiniz. YOLOv5 çevrimiçi büyütmeleri yerel olarak yapar, bu nedenle Roboflow'un çevrimdışı büyütmelerini üstüne katmanlarken bilinçli olun.
Verileri Dışa Aktarma
Hızlı bir şekilde eğitime başlamak için verilerinizi YOLOv5 formatında indirebilirsiniz.
from roboflow import Roboflow
rf = Roboflow(api_key="YOUR API KEY HERE")
project = rf.workspace().project("YOUR PROJECT")
dataset = project.version("YOUR VERSION").download("yolov5")
Özel Eğitim
Yukarıdaki tüm özellikleri gösteren özel bir eğitim yayınladık. Koda buradan erişebilirsiniz:
Aktif Öğrenme
The real world is messy and your model will invariably encounter situations your dataset didn't anticipate. Using active learning is an important strategy to iteratively improve your dataset and model. With the Roboflow and YOLOv5 integration, you can quickly make improvements on your model deployments by using a battle tested machine learning pipeline.
Desteklenen Ortamlar
Ultralytics gibi temel bağımlılıklarla önceden yüklenmiş bir dizi kullanıma hazır ortam sağlar. CUDA, CUDNN, Pythonve PyTorchProjelerinizi başlatmak için.
- Ücretsiz GPU Not Defterleri:
- Google Bulut: GCP Hızlı Başlangıç Kılavuzu
- Amazon: AWS Hızlı Başlangıç Kılavuzu
- Azure: AzureML Hızlı Başlangıç Kılavuzu
- Docker: Docker Hızlı Başlangıç Kılavuzu
Proje Durumu
Bu rozet, tüm YOLOv5 GitHub Actions Sürekli Entegrasyon (CI) testlerinin başarıyla geçtiğini gösterir. Bu CI testleri, YOLOv5 'un işlevselliğini ve performansını çeşitli temel yönlerden titizlikle kontrol eder: eğitim, doğrulama, çıkarım, dışa aktarma ve kıyaslamalar. Her 24 saatte bir ve her yeni işlemde yapılan testlerle macOS, Windows ve Ubuntu üzerinde tutarlı ve güvenilir çalışma sağlarlar.
SSS
YOLOv5 modellerini eğitmek için Roboflow adresine nasıl veri yükleyebilirim?
Verilerinizi Roboflow adresine üç farklı yöntem kullanarak yükleyebilirsiniz: web sitesi, REST API veya Python üzerinden. Bu seçenekler, teknik tercihinize veya proje gereksinimlerinize bağlı olarak esneklik sunar. Verileriniz yüklendikten sonra, Ultralytics YOLOv5 modelleriyle eğitime hazırlanmak için bunları düzenleyebilir, etiketleyebilir ve sürümlendirebilirsiniz. Daha fazla ayrıntı için belgelerin Karşıya Yükleme bölümünü ziyaret edin.
Veri etiketleme ve versiyonlama için Roboflow kullanmanın avantajları nelerdir?
Roboflow verimli makine öğrenimi iş akışları için gerekli olan veri organizasyonu, etiketleme ve versiyonlama için kapsamlı bir platform sağlar. Roboflow ile YOLOv5 kullanarak veri kümesi hazırlama sürecini kolaylaştırabilir, verilerinizin doğru bir şekilde açıklanmasını ve tutarlı bir şekilde sürümlendirilmesini sağlayabilirsiniz. Platform ayrıca veri setinizin kalitesini artırmak için çeşitli ön işleme ve çevrimdışı güçlendirme seçeneklerini de destekler. Bu özellikleri daha derinlemesine incelemek için belgelerin Etiketleme ve Sürüm Oluşturma bölümlerine bakın.
Veri kümemi Roboflow adresinden YOLOv5 biçimine nasıl aktarabilirim?
Veri setinizi Roboflow 'dan YOLOv5 formatına aktarmak kolaydır. Belgelerde verilen Python kod parçacığını kullanabilirsiniz:
from roboflow import Roboflow
rf = Roboflow(api_key="YOUR API KEY HERE")
project = rf.workspace().project("YOUR PROJECT")
dataset = project.version("YOUR VERSION").download("yolov5")
Bu kod, veri setinizi YOLOv5 ile uyumlu bir formatta indirerek modelinizi hızlı bir şekilde eğitmeye başlamanızı sağlar. Daha fazla ayrıntı için Verileri Dışa Aktarma bölümüne bakın.
What is active learning and how does it work with YOLOv5 and Roboflow?
Aktif öğrenme, etiketlenecek en bilgilendirici veri noktalarını akıllıca seçerek bir modeli yinelemeli olarak geliştiren bir makine öğrenimi stratejisidir. Roboflow ve YOLOv5 entegrasyonu ile modelinizin performansını sürekli olarak geliştirmek için aktif öğrenmeyi uygulayabilirsiniz. Bu, bir modelin konuşlandırılmasını, yeni verilerin yakalanmasını, tahminlerde bulunmak için modelin kullanılmasını ve ardından modeli daha fazla eğitmek için bu tahminlerin manuel olarak doğrulanmasını veya düzeltilmesini içerir. Aktif öğrenme hakkında daha fazla bilgi için yukarıdaki Aktif Öğrenme bölümüne bakın.
YOLOv5 modellerini farklı platformlarda eğitmek için Ultralytics ortamlarını nasıl kullanabilirim?
Ultralytics provides ready-to-use environments with pre-installed dependencies like CUDA, CUDNN, Python, and PyTorch, making it easier to kickstart your training projects. These environments are available on various platforms such as Google Cloud, AWS, Azure, and Docker. You can also access free GPU notebooks via Paperspace, Google Colab, and Kaggle. For specific setup instructions, visit the Supported Environments section of the documentation.