Roboflow

Roboflow cung cấp các công cụ cho việc gán nhãn dữ liệu và xuất tập dữ liệu theo nhiều định dạng khác nhau, bao gồm YOLO. Hướng dẫn này bao gồm các bước gán nhãn, xuất và triển khai dữ liệu cho các model Ultralytics YOLO.

Hướng dẫn này minh họa cách tìm kiếm, gán nhãn và sắp xếp dữ liệu để huấn luyện một model Ultralytics YOLO26 tùy chỉnh bằng cách sử dụng Roboflow.

• Thu thập dữ liệu cho việc huấn luyện
• Gán nhãn dữ liệu
• Quản lý tập dữ liệu
• Xuất dữ liệu
• Triển khai model
• Đánh giá model
• FAQ

Thu thập dữ liệu cho việc huấn luyện một model YOLO26 tùy chỉnh

Roboflow cung cấp hai dịch vụ chính để hỗ trợ thu thập dữ liệu cho các model Ultralytics YOLO: Universe và Collect. Để biết thông tin chung về các chiến lược thu thập dữ liệu, hãy tham khảo Hướng dẫn Thu thập và Gán nhãn Dữ liệu của chúng tôi.

Roboflow Universe

Roboflow Universe là một kho lưu trữ trực tuyến các tập dữ liệu thị giác. Bạn có thể xuất các tập dữ liệu ở định dạng YOLO để sử dụng với các model Ultralytics.

Roboflow Collect

Nếu bạn muốn tự thu thập hình ảnh, Roboflow Collect là một dự án mã nguồn mở cho phép thu thập hình ảnh tự động thông qua webcam trên các thiết bị edge. Bạn có thể sử dụng các gợi ý văn bản hoặc hình ảnh để chỉ định dữ liệu cần thu thập, giúp ghi lại chính xác những hình ảnh cần thiết cho model thị giác của bạn.

Tải lên, chuyển đổi và gán nhãn dữ liệu cho định dạng YOLO26

Roboflow Annotate là một công cụ trực tuyến để gán nhãn hình ảnh cho nhiều tác vụ thị giác máy tính khác nhau, bao gồm phát hiện đối tượng, phân loại và phân đoạn.

Để gán nhãn dữ liệu cho model Ultralytics YOLO, hãy tạo một dự án trong Roboflow, tải hình ảnh của bạn lên và bắt đầu gán nhãn.

Công cụ gán nhãn

• Gán nhãn Bounding Box: Nhấn B hoặc nhấp vào biểu tượng hộp. Nhấp và kéo để tạo bounding box. Một cửa sổ bật lên sẽ yêu cầu bạn chọn một lớp (class) cho nhãn đó.
• Gán nhãn đa giác (Polygon): Được sử dụng cho phân đoạn đối tượng (instance segmentation). Nhấn P hoặc nhấp vào biểu tượng đa giác. Nhấp vào các điểm xung quanh đối tượng để vẽ đa giác.

Trợ lý gán nhãn (Tích hợp SAM)

Roboflow tích hợp trợ lý gán nhãn dựa trên Segment Anything Model (SAM) để hỗ trợ tăng tốc độ gán nhãn.

Để sử dụng trợ lý gán nhãn, hãy nhấp vào biểu tượng con trỏ trong thanh bên. SAM sẽ được kích hoạt cho dự án của bạn.

Di chuột qua một đối tượng và SAM có thể gợi ý một nhãn. Nhấp để chấp nhận nhãn đó. Bạn có thể tinh chỉnh độ chính xác của nhãn bằng cách nhấp vào bên trong hoặc bên ngoài khu vực được gợi ý.

Gắn thẻ (Tagging)

Bạn có thể thêm thẻ vào hình ảnh bằng bảng Tags trong thanh bên. Các thẻ có thể đại diện cho các thuộc tính như vị trí, nguồn camera, v.v. Những thẻ này cho phép bạn tìm kiếm hình ảnh cụ thể và tạo các phiên bản tập dữ liệu chứa hình ảnh với các thẻ cụ thể.

Hỗ trợ gán nhãn (Dựa trên Model)

Các model được lưu trữ trên Roboflow có thể được sử dụng cùng với Label Assist để gợi ý các nhãn. Hãy tải trọng số model YOLO của bạn lên Roboflow (xem hướng dẫn bên dưới), sau đó kích hoạt Label Assist thông qua biểu tượng cây đũa thần trong thanh bên.

Quản lý tập dữ liệu cho YOLO26

Roboflow cung cấp nhiều công cụ để hiểu và quản lý các tập dữ liệu thị giác máy tính của bạn.

Tìm kiếm tập dữ liệu

Sử dụng tính năng tìm kiếm tập dữ liệu để tìm hình ảnh dựa trên mô tả văn bản hoặc các lớp/thẻ cụ thể. Truy cập tính năng này bằng cách nhấp vào "Dataset" trong thanh bên.

Kiểm tra tình trạng dữ liệu (Health Check)

Trước khi huấn luyện, hãy sử dụng Roboflow Health Check để hiểu rõ hơn về tập dữ liệu của bạn và xác định các cải tiến tiềm năng. Truy cập tính năng này thông qua liên kết "Health Check" trong thanh bên. Nó cung cấp số liệu thống kê về kích thước hình ảnh, sự cân bằng giữa các lớp, bản đồ nhiệt gán nhãn, và nhiều thông tin khác.

Health Check có thể gợi ý các thay đổi để nâng cao hiệu suất, ví dụ như xử lý sự mất cân bằng giữa các lớp đã được xác định trong tính năng cân bằng lớp. Hiểu được tình trạng tập dữ liệu là rất quan trọng để huấn luyện model hiệu quả.

Tiền xử lý và tăng cường dữ liệu để tăng độ ổn định cho model

Để xuất dữ liệu, bạn cần tạo một phiên bản tập dữ liệu, đây là bản chụp tập dữ liệu của bạn tại một thời điểm cụ thể. Nhấp vào "Versions" trong thanh bên, sau đó chọn "Create New Version". Tại đây, bạn có thể áp dụng các bước tiền xử lý và tăng cường dữ liệu để nâng cao khả năng hoạt động ổn định của model.

Đối với mỗi kỹ thuật tăng cường đã chọn, một cửa sổ bật lên cho phép bạn tinh chỉnh các tham số như độ sáng. Tăng cường dữ liệu đúng cách có thể cải thiện đáng kể khả năng tổng quát hóa của model, một khái niệm chính được thảo luận trong hướng dẫn mẹo huấn luyện model của chúng tôi.

Xuất dữ liệu sang hơn 40 định dạng để huấn luyện model

Sau khi phiên bản tập dữ liệu của bạn được tạo, bạn có thể xuất nó sang nhiều định dạng khác nhau phù hợp cho việc huấn luyện model. Nhấp vào nút "Export Dataset" trên trang phiên bản.

Chọn định dạng "YOLO26" để tương thích với các quy trình huấn luyện của Ultralytics. Giờ đây, bạn đã sẵn sàng để huấn luyện model YOLO26 tùy chỉnh của mình. Tham khảo tài liệu chế độ Train của Ultralytics để biết hướng dẫn chi tiết về cách bắt đầu huấn luyện với tập dữ liệu đã xuất.

Tải lên trọng số model YOLO26 tùy chỉnh để kiểm thử và triển khai

Roboflow cung cấp một API có khả năng mở rộng cho các model đã triển khai và các SDK tương thích với các thiết bị như NVIDIA Jetson, Luxonis OAK, Raspberry Pi và các hệ thống dựa trên GPU. Khám phá các tùy chọn triển khai model khác nhau trong các hướng dẫn của chúng tôi.

Bạn có thể triển khai các model YOLO26 bằng cách tải lên trọng số của chúng lên Roboflow sử dụng một tập lệnh Python đơn giản.

Tạo một tệp Python mới và thêm đoạn mã sau:

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.")

Trong đoạn mã này, hãy thay thế your-workspace-id, your-project-id, số VERSION và MODEL_PATH bằng các giá trị cụ thể cho tài khoản Roboflow, dự án và thư mục kết quả huấn luyện cục bộ của bạn. Đảm bảo rằng MODEL_PATH trỏ đúng đến thư mục chứa tệp trọng số best.pt đã huấn luyện của bạn.

Khi bạn chạy đoạn mã trên, bạn sẽ được yêu cầu xác thực (thường thông qua khóa API). Sau đó, model của bạn sẽ được tải lên và một điểm cuối API sẽ được tạo cho dự án của bạn. Quá trình này có thể mất tới 30 phút để hoàn thành.

Để kiểm thử model của bạn và tìm hướng dẫn triển khai cho các SDK được hỗ trợ, hãy truy cập tab "Deploy" trong thanh bên Roboflow. Ở đầu trang này, một tiện ích sẽ xuất hiện cho phép bạn kiểm thử model bằng webcam hoặc bằng cách tải lên hình ảnh hoặc video.

Model đã tải lên của bạn cũng có thể được sử dụng làm trợ lý gán nhãn, gợi ý các chú thích trên hình ảnh mới dựa trên quá trình huấn luyện của nó.

Cách đánh giá các model YOLO26

Roboflow cung cấp các tính năng để đánh giá hiệu suất model. Hiểu về các chỉ số hiệu suất là rất quan trọng để lặp lại model.

Sau khi tải model lên, hãy truy cập công cụ đánh giá model thông qua trang model của bạn trên bảng điều khiển Roboflow. Nhấp vào "View Detailed Evaluation."

Công cụ này hiển thị một confusion matrix minh họa hiệu suất của model và biểu đồ phân tích vectơ tương tác sử dụng các embedding CLIP. Những tính năng này giúp xác định các khu vực cần cải thiện cho model.

Cửa sổ bật lên confusion matrix:

Di chuột qua các ô để xem giá trị và nhấp vào các ô để xem hình ảnh tương ứng với các dự đoán của model và dữ liệu thực tế (ground truth).

Nhấp vào "Vector Analysis" để xem biểu đồ phân tán trực quan hóa sự tương đồng giữa các hình ảnh dựa trên embedding CLIP. Các hình ảnh nằm gần nhau hơn sẽ có độ tương đồng về ngữ nghĩa. Các dấu chấm đại diện cho hình ảnh, có màu từ trắng (hiệu suất tốt) đến đỏ (hiệu suất kém).

Vector Analysis giúp:

• Xác định các cụm hình ảnh.
• Chỉ ra các cụm mà model thực hiện kém.
• Hiểu được các điểm chung giữa những hình ảnh gây ra hiệu suất kém.

Tài nguyên học tập

• Huấn luyện YOLO trên tập dữ liệu tùy chỉnh (Colab): Sổ tay Google Colab tương tác để huấn luyện trên dữ liệu của bạn.
• Tài liệu Ultralytics YOLO: Huấn luyện, xuất và triển khai các model YOLO.
• Blog Ultralytics: Các bài viết về thị giác máy tính và huấn luyện model.
• YouTube Ultralytics: Các video hướng dẫn về huấn luyện và triển khai model.

Câu hỏi thường gặp (FAQ)

Làm cách nào để tôi gán nhãn dữ liệu cho các model YOLO26 bằng Roboflow?

Sử dụng Roboflow Annotate. Tạo một dự án, tải hình ảnh lên và sử dụng các công cụ gán nhãn (B cho bounding box, P cho đa giác) hoặc trợ lý gán nhãn dựa trên SAM để gán nhãn nhanh hơn. Các bước chi tiết có sẵn trong phần Tải lên, Chuyển đổi và Gán nhãn Dữ liệu.

Roboflow cung cấp những dịch vụ gì để thu thập dữ liệu huấn luyện YOLO26?

Roboflow cung cấp Universe (truy cập vào vô số tập dữ liệu) và Collect (thu thập hình ảnh tự động thông qua webcam). Những dịch vụ này có thể giúp thu thập dữ liệu huấn luyện cần thiết cho model YOLO26 của bạn, bổ sung cho các chiến lược được nêu trong Hướng dẫn thu thập dữ liệu của chúng tôi.

Làm cách nào tôi có thể quản lý và phân tích tập dữ liệu YOLO26 của mình bằng Roboflow?

Sử dụng các tính năng tìm kiếm tập dữ liệu, gắn thẻ và Health Check của Roboflow. Tìm kiếm giúp tìm hình ảnh theo văn bản hoặc thẻ, trong khi Health Check phân tích chất lượng tập dữ liệu (cân bằng lớp, kích thước hình ảnh, v.v.) để hướng dẫn cải tiến trước khi huấn luyện. Xem phần Quản lý tập dữ liệu để biết chi tiết.

Làm cách nào để tôi xuất tập dữ liệu YOLO26 từ Roboflow?

Tạo một phiên bản tập dữ liệu trong Roboflow, áp dụng tiền xử lý và các kỹ thuật tăng cường mong muốn, sau đó nhấp "Export Dataset" và chọn định dạng YOLO26. Quy trình này được trình bày trong phần Xuất dữ liệu. Việc này sẽ chuẩn bị dữ liệu của bạn để sử dụng với các quy trình huấn luyện của Ultralytics.

Làm cách nào tôi có thể tích hợp và triển khai các model YOLO26 với Roboflow?

Tải trọng số YOLO26 đã huấn luyện của bạn lên Roboflow bằng cách sử dụng tập lệnh Python được cung cấp. Việc này sẽ tạo ra một điểm cuối API có thể triển khai. Tham khảo phần Tải lên trọng số tùy chỉnh để lấy tập lệnh và hướng dẫn. Khám phá thêm các tùy chọn triển khai khác trong tài liệu của chúng tôi.