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.

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

Gerçek dünya dağınıktır ve modeliniz her zaman veri setinizin öngörmediği durumlarla karşılaşacaktır. Aktif öğrenmeyi kullanmak, veri setinizi ve modelinizi yinelemeli olarak geliştirmek için önemli bir stratejidir. Roboflow ve YOLOv5 entegrasyonu sayesinde, savaşta test edilmiş bir makine öğrenimi işlem hattı kullanarak model dağıtımlarınızda hızlı bir şekilde iyileştirmeler yapabilirsiniz.

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.

Aktif öğrenme nedir ve YOLOv5 ve Roboflow ile nasıl çalışır?

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 CUDA, CUDNN, ve gibi önceden yüklenmiş bağımlılıklara sahip kullanıma hazır ortamlar sağlayarak eğitim projelerinize başlamanızı kolaylaştırır. Bu ortamlar Cloud, AWS, Azure ve Docker gibi çeşitli platformlarda mevcuttur. Ayrıca ücretsiz not defterlerine şu adresten erişebilirsiniz Python PyTorch Google GPU Paperspace, Google Colab ve Kaggle. Özel kurulum talimatları için belgelerin Desteklenen Ortamlar bölümünü ziyaret edin.

Yorumlar