Roboflow#

Roboflow cung cấp các công cụ gắn nhãn dữ liệu và xuất dataset ở nhiều định dạng khác nhau, bao gồm YOLO. Hướng dẫn này trình bày cách gắn nhãn, xuất và triển khai dữ liệu cho các model Ultralytics YOLO.

Hướng dẫn này trình bày cách tìm, gắn nhãn và sắp xếp dữ liệu để huấn luyện một model Ultralytics YOLO26 tùy chỉnh bằng Roboflow.

• Thu thập dữ liệu để huấn luyện
• Gắn nhãn dữ liệu
• Quản lý dataset
• Xuất dữ liệu
• Triển khai model
• Đánh giá model
• FAQ

Thu thập dữ liệu để huấn luyện model YOLO26 tùy chỉnh#

Roboflow cung cấp hai dịch vụ chính hỗ trợ thu thập dữ liệu cho các model YOLO của Ultralytics: Universe và Collect. Để biết thông tin tổng quát hơn về các chiến lược thu thập dữ liệu, hãy tham khảo Hướng dẫn thu thập và chú thích dữ liệu.

Roboflow Universe#

Roboflow Universe là kho lưu trữ trực tuyến các dataset thị giác máy tính. Bạn có thể xuất dataset ở định dạng YOLO để sử dụng với các model Ultralytics.

Roboflow Collect#

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

Tải lên, chuyển đổi và gắn nhãn dữ liệu theo định dạng YOLO26#

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

Để gắn nhãn dữ liệu cho một model YOLO của Ultralytics, hãy tạo một project trong Roboflow, tải hình ảnh lên và bắt đầu chú thích.

Công cụ chú thích#

• Chú thích bounding box: Nhấn B hoặc nhấp vào biểu tượng hình hộp. Nhấp và kéo để tạo bounding box. Một cửa sổ bật lên sẽ yêu cầu bạn chọn class cho chú thích.
• Chú thích polygon: Được sử dụng cho phân đoạn instance. Nhấn P hoặc nhấp vào biểu tượng polygon. Nhấp vào các điểm xung quanh đối tượng để vẽ polygon.

Trợ lý gắn nhãn (tích hợp SAM)#

Roboflow tích hợp một trợ lý gắn nhãn dựa trên Segment Anything Model (SAM), có thể giúp tăng tốc quá trình chú thích.

Để sử dụng trợ lý gắn nhãn, hãy nhấp vào biểu tượng con trỏ trong thanh bên. SAM sẽ được bật cho project của bạn.

Di chuột lên một đối tượng và SAM có thể đề xuất một chú thích. Nhấp để chấp nhận chú thích. Bạn có thể tinh chỉnh mức độ cụ thể của chú thích bằng cách nhấp vào bên trong hoặc bên ngoài vùng được đề xuất.

Gắn thẻ#

Bạn có thể thêm thẻ vào hình ảnh bằng bảng Tags trong thanh bên. Thẻ có thể biểu thị các thuộc tính như vị trí, nguồn camera, v.v. Các thẻ này cho phép bạn tìm kiếm những hình ảnh cụ thể và tạo các phiên bản dataset chứa hình ảnh có những thẻ nhất định.

Label Assist (dựa trên model)#

Các model được lưu trữ trên Roboflow có thể được sử dụng với Label Assist để đề xuất chú thích. Tải trọng số model YOLO lên Roboflow (xem hướng dẫn bên dưới), sau đó kích hoạt Label Assist bằng biểu tượng đũa thần trong thanh bên.

Quản lý dataset cho YOLO26#

Roboflow cung cấp một số công cụ để tìm hiểu và quản lý các dataset thị giác máy tính của bạn.

Tìm kiếm dataset#

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

Health Check#

Trước khi huấn luyện, hãy sử dụng Roboflow Health Check để hiểu rõ hơn về dataset và xác định các điểm có thể cải thiện. Truy cập tính năng này qua liên kết "Health Check" trong thanh bên. Tính năng cung cấp các thống kê về kích thước hình ảnh, độ cân bằng class, heatmap chú thích và nhiều thông tin khác.

Health Check có thể đề xuất các thay đổi để cải thiện hiệu năng, chẳng hạn như xử lý tình trạng mất cân bằng class được xác định trong tính năng cân bằng class. Hiểu rõ tình trạng của dataset là yếu tố quan trọng để huấn luyện model hiệu quả.

Tiền xử lý và tăng cường dữ liệu để nâng cao độ ổn định của model#

Để xuất dữ liệu, bạn cần tạo một phiên bản dataset, tức là ảnh chụp nhanh dataset tại một thời điểm cụ thể. Nhấp vào "Versions" trong thanh bên, sau đó nhấp vào "Create New Version." Tại đây, bạn có thể áp dụng các bước tiền xử lý và tăng cường dữ liệu để có thể cải thiện độ ổn định của model.

Với mỗi phép tăng cường được chọn, một cửa sổ bật lên cho phép bạn tinh chỉnh các tham số như độ sáng. Tăng cường phù hợp có thể cải thiện đáng kể khả năng tổng quát hóa của model, một khái niệm quan trọng được thảo luận trong hướng dẫn mẹo huấn luyện model của chúng tôi.

Xuất dữ liệu ở hơn 40 định dạng để huấn luyện model#

Sau khi phiên bản dataset được tạo, bạn có thể xuất phiên bản đó ở nhiều định dạng 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 pipeline huấn luyện của Ultralytics. Bây giờ bạn đã sẵn sàng huấn luyện model YOLO26 tùy chỉnh. Tham khảo tài liệu về chế độ Train của Ultralytics để xem hướng dẫn chi tiết về cách bắt đầu huấn luyện với dataset đã xuất.

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

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

Bạn có thể triển khai các model YOLO26 bằng cách tải trọng số của chúng lên Roboflow thông qua một script Python đơn giản.

Tạo một tệp Python mới và thêm đoạn code 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 code này, hãy thay thế your-workspace-id, your-project-id, số VERSION và MODEL_PATH bằng các giá trị tương ứng với tài khoản Roboflow, project và thư mục kết quả huấn luyện cục bộ của bạn. Đảm bảo MODEL_PATH trỏ chính xác đến thư mục chứa tệp trọng số best.pt đã huấn luyện.

Khi chạy đoạn code trên, bạn sẽ được yêu cầu xác thực (thường thông qua API key). Sau đó, model của bạn sẽ được tải lên và một API endpoint sẽ được tạo cho project. Quá trình này có thể mất tối đa 30 phút để hoàn tất.

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

Model đã tải lên cũng có thể được sử dụng như một trợ lý gắn nhãn, đề xuất chú thích trên các hình ảnh mới dựa trên quá trình huấn luyện của model.

Cách đánh giá các model YOLO26#

Roboflow cung cấp các tính năng để đánh giá hiệu năng model. Hiểu rõ các metric hiệu năng là yếu tố quan trọng để lặp lại quá trình phát triển model.

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

Công cụ này hiển thị một ma trận nhầm lẫn minh họa hiệu năng model và một biểu đồ phân tích vector tương tác sử dụng embedding CLIP. Các tính năng này giúp xác định những khía cạnh cần cải thiện của model.

Cửa sổ bật lên của ma trận nhầm lẫn:

Di chuột lên các ô để xem giá trị và nhấp vào các ô để xem những hình ảnh tương ứng cùng dự đoán của model và dữ liệu ground truth.

Nhấp vào "Vector Analysis" để xem biểu đồ phân tán trực quan hóa độ tương đồng giữa các hình ảnh dựa trên embedding CLIP. Những hình ảnh ở gần nhau hơn có sự tương đồng về ngữ nghĩa. Các chấm biểu thị hình ảnh, với màu chuyển từ trắng (hiệu năng tốt) đến đỏ (hiệu năng kém).

Vector Analysis giúp:

• Xác định các cụm hình ảnh.
• Xác định chính xác các cụm mà model hoạt động kém.
• Hiểu những điểm tương đồng phổ biến giữa các hình ảnh khiến hiệu năng kém.

Tài nguyên học tập#

• Huấn luyện YOLO trên dataset tùy chỉnh (Colab): Notebook 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 hướng dẫn bằng video về huấn luyện và triển khai model.

FAQ#