Roboflow#

Roboflow 提供数据标注和多种格式的数据集导出工具，包括 YOLO 格式。本指南介绍如何为Ultralytics YOLO模型标注、导出和部署数据。

本指南演示如何使用 Roboflow 查找、标注和整理数据，以训练自定义的 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

收集数据以训练自定义 YOLO26 模型#

Roboflow 提供两项主要服务，帮助为 Ultralytics YOLO 模型收集数据：Universe 和 Collect。有关数据收集策略的更多一般信息，请参阅我们的数据收集与标注指南。

Roboflow Universe#

Roboflow Universe 是一个在线视觉数据集仓库。你可以将数据集导出为 YOLO 格式，以便与 Ultralytics 模型配合使用。

Roboflow Collect#

如果你更希望自行收集图像，Roboflow Collect 是一个开源项目，可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指定要收集的数据，从而只采集视觉模型所需的图像。

上传、转换并标注 YOLO26 格式的数据#

Roboflow Annotate 是一款在线工具，可为各种计算机视觉任务标注图像，包括目标检测、分类和分割。

要为 Ultralytics YOLO模型标注数据，请在 Roboflow 中创建项目、上传图像，然后开始标注。

标注工具#

• 边界框标注：按 B 或点击方框图标。点击并拖动以创建边界框。弹出窗口会提示你为该标注选择类别。
• 多边形标注：用于实例分割。按 P 或点击多边形图标。围绕目标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，有望加快标注速度。

要使用标注助手，请点击侧边栏中的光标图标。SAM 将为你的项目启用。

将鼠标悬停在目标上，SAM 可能会建议一个标注。点击以接受该标注。你可以通过点击建议区域的内部或外部来调整标注的具体范围。

标签#

你可以使用侧边栏中的 Tags 面板为图像添加标签。标签可以表示位置、摄像头来源等属性。这些标签可帮助你搜索特定图像，并生成包含特定标签图像的数据集版本。

标注助手（基于模型）#

托管在 Roboflow 上的模型可与 Label Assist 配合使用，以建议标注。将 YOLO 模型权重上传到 Roboflow（参见下方说明），然后通过侧边栏中的魔棒图标激活 Label Assist。

YOLO26 数据集管理#

Roboflow 提供多种工具，用于了解和管理你的计算机视觉数据集。

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查找图像。点击侧边栏中的“Dataset”即可访问此功能。

健康检查#

训练前，使用 Roboflow Health Check 了解数据集并发现潜在的改进方向。通过侧边栏中的“Health Check”链接访问该功能。它会提供图像尺寸、类别平衡、标注热图等统计信息。

Health Check 可能会建议提升性能的改动，例如解决类别平衡功能发现的类别不均衡问题。了解数据集健康状况对于有效的模型训练至关重要。

预处理和增强数据以提高模型鲁棒性#

要导出数据，你需要创建数据集版本，即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，从而有望提升模型鲁棒性。

对于每项选定的增强操作，弹出窗口允许你微调亮度等参数。适当的数据增强可以显著提升模型的泛化能力，这是我们的模型训练技巧指南中讨论的一个关键概念。

以 40 多种格式导出数据用于模型训练#

生成数据集版本后，你可以将其导出为适合模型训练的各种格式。在版本页面点击“Export Dataset”按钮。

选择“YOLO26”格式，以确保与 Ultralytics 训练流水线兼容。现在你可以训练自定义的 YOLO26模型了。有关如何使用导出的数据集开始训练的详细说明，请参阅 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 为已部署模型提供可扩展的 API，并提供与 NVIDIA Jetson、Luxonis OAK、Raspberry Pi和基于 GPU 的系统兼容的 SDK。在我们的指南中探索各种模型部署选项。

你可以使用简单的 Python 脚本，将 YOLO26 模型的权重上传到 Roboflow 来部署模型。

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.")

在这段代码中，将 your-workspace-id、your-project-id、VERSION 数字和 MODEL_PATH 替换为 Roboflow 账户、项目以及本地训练结果目录对应的值。确保 MODEL_PATH 正确指向包含训练好的 best.pt 权重文件的目录。

运行上述代码时，系统会要求你进行身份验证（通常使用 API 密钥）。随后，你的模型将被上传，并为项目创建 API 端点。此过程最多可能需要 30 分钟。

要测试模型并查找受支持 SDK 的部署说明，请转到 Roboflow 侧边栏中的“Deploy”选项卡。在此页面顶部会出现一个小组件，让你可以使用网络摄像头测试模型，或上传图像和视频进行测试。

你上传的模型还可以用作标注助手，根据其训练结果为新图像建议标注。

如何评估 YOLO26 模型#

Roboflow 提供用于评估模型性能的功能。了解性能指标对于模型迭代至关重要。

上传模型后，通过 Roboflow 控制面板中的模型页面访问模型评估工具。点击“View Detailed Evaluation”。

该工具会显示用于说明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。这些功能有助于发现模型需要改进的方面。

混淆矩阵弹出窗口：

将鼠标悬停在单元格上查看数值，点击单元格查看包含模型预测和真实标注数据的对应图像。

点击“Vector Analysis”查看基于 CLIP 嵌入、用于可视化图像相似性的散点图。距离较近的图像在语义上相似。点表示图像，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：

• 识别图像簇。
• 定位模型表现不佳的图像簇。
• 了解导致模型性能不佳的图像之间的共同特征。

学习资源#

• 在自定义数据集上训练 YOLO（Colab）：用于使用你的数据进行训练的交互式 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#