Roboflow#

Roboflow 提供用于数据标注以及各种格式（包括 YOLO）数据集导出的工具。本指南涵盖面向 Ultralytics YOLO 模型的标注、导出和数据部署。

本指南演示了如何使用 Roboflow 查找、标注和组织数据，以训练自定义 Ultralytics YOLO26 模型。

• 收集训练数据
• 标注数据
• 数据集管理
• 导出数据
• 部署模型
• 评估模型
• 常见问题解答

收集用于训练自定义 YOLO26 模型的数据#

Roboflow 提供两项主要服务来协助收集 Ultralytics YOLO 模型的数据：Universe 和 Collect。有关数据收集策略的更多通用信息，请参考我们的数据收集与标注指南。

Roboflow Universe#

Roboflow Universe 是一个视觉数据集在线存储库。你可以导出 YOLO 格式的数据集以用于 Ultralytics 模型。

Roboflow Collect#

如果你倾向于自己收集图像，Roboflow Collect 是一个开源项目，支持通过边缘设备上的网络摄像头自动收集图像。你可以使用文本或图像提示来指定需要收集的数据，从而帮助你只获取视觉模型所需的图像。

上传、转换并标注 YOLO26 格式数据#

Roboflow Annotate 是一个用于为各种计算机视觉任务（包括目标检测、分类和分割）标注图像的在线工具。

要为 Ultralytics YOLO 模型标注数据，请在 Roboflow 中创建一个项目，上传图像并开始标注。

标注工具#

• 边界框标注：按 B 或单击方框图标。单击并拖动以创建边界框。弹出的窗口将提示你为标注选择一个类别。
• 多边形标注：用于实例分割。按 P 或单击多边形图标。在对象周围点击各个点以绘制多边形。

标注助手（SAM 集成）#

Roboflow 集成了基于分割一切模型 (SAM) 的标注助手，可潜在地加快标注速度。

要使用标注助手，请点击侧边栏中的光标图标。SAM 将在你的项目中启用。

将鼠标悬停在物体上，SAM 可能会建议一个标注。点击以接受该标注。你可以通过在建议区域内或外点击来调整标注的精确度。

标签管理#

你可以使用侧边栏中的 Tags 面板为图像添加标签。标签可以代表位置、摄像头来源等属性。通过这些标签，你可以搜索特定图像并生成包含带有特定标签图像的数据集版本。

标注助手（基于模型）#

托管在 Roboflow 上的模型可以与标注助手结合使用，以建议标注。将你的 YOLO 模型权重上传到 Roboflow（见下文说明），然后通过侧边栏中的魔法棒图标激活标注助手。

YOLO26 数据集管理#

Roboflow 提供了多种用于理解和管理计算机视觉数据集的工具。

数据集搜索#

使用数据集搜索功能，根据文本描述或特定标签/标记查找图像。通过点击侧边栏中的“Dataset”即可访问此功能。

健康检查#

在训练之前，请使用 Roboflow 的 Health Check 功能深入了解你的数据集并确定潜在的改进之处。通过侧边栏的“Health Check”链接访问它。它提供有关图像大小、类别平衡、标注热力图等的统计数据。

运行“运行状况检查”可能会建议更改以提升性能，例如解决在类别平衡功能中发现的类别不平衡问题。了解数据集的运行状况对于有效的模型训练至关重要。

预处理与增强数据以提高模型稳健性#

要导出数据，你需要创建一个数据集版本，这是数据集在特定时间点的快照。点击侧边栏中的“Versions”，然后点击“Create New Version”。在这里，你可以应用预处理步骤和数据增强，以潜在地增强模型的鲁棒性。

对于每个选定的增强，弹出的窗口允许你微调其参数（如亮度）。适当的增强可以显著提高模型的泛化能力，这是我们在模型训练技巧指南中讨论的一个核心概念。

导出 40+ 种格式的数据用于模型训练#

数据集版本生成后，你可以将其导出为各种适合模型训练的格式。点击版本页面上的“Export Dataset”按钮。

选择“YOLO26”格式以确保与 Ultralytics 训练管线兼容。现在你已经准备好训练自定义的 YOLO26 模型了。有关使用导出的数据集启动训练的详细说明，请参考 Ultralytics Train 模式文档。

上传自定义 YOLO26 模型权重以进行测试和部署#

Roboflow 为部署的模型提供了可扩展的 API，并且 SDK 兼容 NVIDIA Jetson、Luxonis OAK、Raspberry Pi 以及基于 GPU 的系统等设备。在我们的指南中探索各种模型部署选项。

你可以通过使用简单的 Python 脚本将 YOLO26 模型的权重上传到 Roboflow 来部署它们。

创建一个新的 Python 文件并添加以下代码：

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.")

在此代码中，将 your-workspace-id、your-project-id、VERSION 编号以及 MODEL_PATH 替换为你特定的 Roboflow 帐户、项目和本地训练结果目录对应的值。确保 MODEL_PATH 正确指向包含你训练好的 best.pt 权重文件的目录。

当你运行上述代码时，系统会要求你进行身份验证（通常通过 API 密钥）。之后，你的模型将被上传，并为你的项目创建一个 API 端点。此过程最多可能需要 30 分钟才能完成。

要测试你的模型并查找支持的 SDK 的部署说明，请前往 Roboflow 侧边栏的“Deploy”选项卡。在该页面顶部，会出现一个工具，允许你使用网络摄像头或通过上传图像或视频来测试模型。

上传的模型还可以用作标注助手，根据其训练结果在新图像上建议标注。

如何评估 YOLO26 模型#

Roboflow 提供了用于评估模型性能的功能。理解性能指标对于模型的迭代至关重要。

上传模型后，通过 Roboflow 仪表板上的模型页面访问模型评估工具。点击“View Detailed Evaluation”。

此工具显示展示模型性能的混淆矩阵，以及使用 CLIP 嵌入的交互式向量分析图。这些功能有助于找出模型需要改进的地方。

混淆矩阵弹窗：

将鼠标悬停在单元格上可查看数值，点击单元格可查看包含模型预测和真实标注数据的相应图像。

点击“Vector Analysis”查看基于 CLIP 嵌入可视化图像相似性的散点图。越靠近的图像在语义上越相似。点代表图像，颜色从白色（性能良好）到红色（性能较差）渐变。

向量分析有助于：

• 识别图像集群。
• 准确定位模型表现不佳的集群。
• 理解导致性能较差的图像之间的共同点。

学习资源#

• 在自定义数据集上训练 YOLO (Colab)：用于在你的数据上进行训练的交互式 Google Colab 笔记本。
• Ultralytics YOLO 文档：YOLO 模型的训练、导出和部署。
• Ultralytics 博客：关于计算机视觉和模型训练的文章。
• Ultralytics YouTube：关于模型训练和部署的视频指南。

常见问题解答#