Roboflow Datasets

Bây giờ bạn có thể sử dụng Roboflow để sắp xếp, gắn nhãn, chuẩn bị, lập phiên bản và lưu trữ bộ dữ liệu của bạn để đào tạo YOLOv5 🚀 Mô hình. Roboflow được sử dụng miễn phí với YOLOv5 nếu bạn đặt không gian làm việc của mình ở chế độ công khai.

Tải lên

Bạn có thể tải dữ liệu của mình lên Roboflow thông qua giao diện người dùng web, API REST hoặc Python.

Ghi nhãn

Sau khi tải dữ liệu lên Roboflow, bạn có thể gắn nhãn dữ liệu và xem lại các nhãn trước đó.

Phiên bản

Bạn có thể tạo các phiên bản tập dữ liệu của mình với các tùy chọn tiền xử lý và tăng cường ngoại tuyến khác nhau. YOLOv5 Có tăng cường trực tuyến nguyên bản không, vì vậy hãy cố ý khi xếp lớp Roboflow'tăng cường ngoại tuyến ở trên cùng.

Xuất dữ liệu

Bạn có thể tải dữ liệu của mình xuống trong YOLOv5 định dạng để nhanh chóng bắt đầu đào tạo.

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")

Đào tạo tùy chỉnh

Chúng tôi đã phát hành một hướng dẫn đào tạo tùy chỉnh thể hiện tất cả các khả năng trên. Bạn có thể truy cập mã tại đây:

Học tập tích cực

Thế giới thực rất lộn xộn và mô hình của bạn sẽ luôn gặp phải những tình huống mà tập dữ liệu của bạn không lường trước được. Sử dụng học tập tích cực là một chiến lược quan trọng để cải thiện lặp đi lặp lại tập dữ liệu và mô hình của bạn. Với Roboflow và YOLOv5 Tích hợp, bạn có thể nhanh chóng cải thiện việc triển khai mô hình của mình bằng cách sử dụng quy trình machine learning đã được thử nghiệm chiến đấu.

Môi trường được hỗ trợ

Ultralytics Cung cấp một loạt các môi trường sẵn sàng sử dụng, mỗi môi trường được cài đặt sẵn với các phụ thuộc thiết yếu như CUDA, CUDNN,Pythonvà PyTorch, để khởi động các dự án của bạn.

• Tự do GPU Sổ ghi chép:
• Google Đám mây: Hướng dẫn bắt đầu nhanh GCP
• Amazon: Hướng dẫn bắt đầu nhanh AWS
• Azure: Hướng dẫn bắt đầu nhanh AzureML
• Docker: Hướng dẫn bắt đầu nhanh Docker

Tình trạng dự án

Huy hiệu này cho biết rằng tất cả YOLOv5 Các bài kiểm tra Tích hợp liên tục (CI) GitHub Actions đã vượt qua thành công. Các bài kiểm tra CI này kiểm tra nghiêm ngặt chức năng và hiệu suất của YOLOv5 trên các khía cạnh chính khác nhau: đào tạo, xác nhận, suy luận, xuất khẩu và điểm chuẩn. Chúng đảm bảo hoạt động nhất quán và đáng tin cậy trên macOS, Windows và Ubuntu, với các thử nghiệm được tiến hành 24 giờ một lần và theo mỗi cam kết mới.

FAQ

Làm cách nào để tải dữ liệu lên Roboflow để đào tạo YOLOv5 Mô hình?

Bạn có thể tải dữ liệu của mình lên Roboflow sử dụng ba phương pháp khác nhau: thông qua trang web, API REST hoặc thông qua Python. Các tùy chọn này cung cấp sự linh hoạt tùy thuộc vào sở thích kỹ thuật hoặc yêu cầu dự án của bạn. Sau khi dữ liệu của bạn được tải lên, bạn có thể sắp xếp, gắn nhãn và lập phiên bản dữ liệu để chuẩn bị cho việc đào tạo Ultralytics YOLOv5 Mô hình. Để biết thêm chi tiết, hãy truy cập phần Tải lên của tài liệu.

Ưu điểm của việc sử dụng là gì Roboflow để ghi nhãn và lập phiên bản dữ liệu?

Roboflow Cung cấp một nền tảng toàn diện để tổ chức dữ liệu, ghi nhãn và lập phiên bản, điều này rất cần thiết cho quy trình công việc học máy hiệu quả. Bằng cách sử dụng Roboflow với YOLOv5, bạn có thể hợp lý hóa quá trình chuẩn bị tập dữ liệu, đảm bảo rằng dữ liệu của bạn được chú thích chính xác và được lập phiên bản nhất quán. Nền tảng này cũng hỗ trợ các tùy chọn tiền xử lý và tăng cường ngoại tuyến khác nhau để nâng cao chất lượng tập dữ liệu của bạn. Để tìm hiểu sâu hơn về các tính năng này, hãy xem phần Ghi nhãn và Lập phiên bản của tài liệu.

Làm cách nào để xuất tập dữ liệu của tôi từ Roboflow đến YOLOv5 định dạng?

Xuất tập dữ liệu của bạn từ Roboflow đến YOLOv5 Định dạng rất đơn giản. Bạn có thể sử dụng Python đoạn mã được cung cấp trong tài liệu:

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")

Mã này sẽ tải xuống tập dữ liệu của bạn ở định dạng tương thích với YOLOv5, cho phép bạn nhanh chóng bắt đầu đào tạo mô hình của mình. Để biết thêm chi tiết, hãy tham khảo phần Xuất dữ liệu .

Học tập tích cực là gì và nó hoạt động như thế nào YOLOv5 và Roboflow?

Học chủ động là một chiến lược học máy lặp đi lặp lại cải thiện mô hình bằng cách chọn thông minh các điểm dữ liệu thông tin nhất để gắn nhãn. Với Roboflow và YOLOv5 Tích hợp, bạn có thể thực hiện học tập tích cực để liên tục nâng cao hiệu suất mô hình của mình. Điều này liên quan đến việc triển khai một mô hình, thu thập dữ liệu mới, sử dụng mô hình để đưa ra dự đoán và sau đó xác minh hoặc sửa chữa các dự đoán đó theo cách thủ công để đào tạo thêm mô hình. Để biết thêm thông tin chi tiết về học tập tích cực, hãy xem phần Học tập tích cực ở trên.

Tôi có thể sử dụng như thế nào Ultralytics Môi trường đào tạo YOLOv5 mô hình trên các nền tảng khác nhau?

Ultralytics Cung cấp các môi trường sẵn sàng sử dụng với các phụ thuộc được cài đặt sẵn như CUDA, CUDNN, Pythonvà PyTorch, giúp khởi động các dự án đào tạo của bạn dễ dàng hơn. Những môi trường này có sẵn trên các nền tảng khác nhau như Google Cloud, AWS, Azure và Docker. Bạn cũng có thể truy cập miễn phí GPU Máy tính xách tay qua Paperspace, Google Colab và Kaggle. Để biết hướng dẫn thiết lập cụ thể, hãy truy cập phần Môi trường được hỗ trợ của tài liệu.

📅 Created 10 months ago ✏️ Updated 3 days ago

Ý kiến