Link to this sectionRoboflow#
Roboflow 提供了用于 数据标注 和以多种格式（包括 YOLO）导出数据集的工具。本指南涵盖了针对 Ultralytics YOLO 模型的数据标注、导出和部署。
Ultralytics 提供两种许可选项以满足不同的使用场景：
- AGPL-3.0 许可证：此 OSI 认证的开源许可证 非常适合学生和爱好者，旨在促进开放协作与知识共享。更多详细信息，请参阅 LICENSE 文件。
- 企业许可：此许可适用于开发和生产用途，允许将 Ultralytics 软件和 AI 模型无缝集成到商业产品和服务中，包括内部工具、自动化工作流和生产部署，从而绕过 AGPL-3.0 的开源要求。若要开始，请通过 Ultralytics 许可页面 与我们联系。
更多详细信息，请参阅 Ultralytics 许可页面。
本指南演示了如何使用 Roboflow 查找、标注和整理用于训练自定义 Ultralytics YOLO26 模型的数据。
Link to this section收集自定义 YOLO26 模型的训练数据#
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常规信息，请参阅我们的 数据收集与标注指南。
Link to this sectionRoboflow Universe#
Roboflow Universe 是一个在线视觉 数据集 仓库。你可以导出 YOLO 格式的数据集，供 Ultralytics 模型使用。
Link to this sectionRoboflow Collect#
如果你倾向于自行收集图像，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，从而帮助你仅捕获视觉模型所需的必要图像。
Link to this section上传、转换并标注 YOLO26 格式数据#
Roboflow Annotate 是一款在线工具，用于标注各种计算机视觉任务的图像，包括 目标检测、分类 和 分割。
要为 Ultralytics YOLO 模型标注数据，请在 Roboflow 中创建一个项目，上传你的图像并开始标注。
Link to this section标注工具#
Link to this section标签助手 (SAM 集成)#
Roboflow 集成了基于 Segment Anything Model (SAM) 的标签助手，以期加快标注速度。
要使用标签助手，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部或外部点击来细化标注的精确度。
Link to this section标签 (Tagging)#
你可以使用侧边栏中的“Tags”面板为图像添加标签。这些标签可以代表位置、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的图像的数据集版本。
Link to this section标签辅助 (基于模型)#
托管在 Roboflow 上的模型可以与“Label Assist”结合使用来建议标注。将你的 YOLO 模型权重上传到 Roboflow（请参阅以下说明），然后通过侧边栏中的魔杖图标激活 Label Assist。
Link to this sectionYOLO26 数据集管理#
Roboflow 提供了多种用于理解和管理你的计算机视觉 数据集 的工具。
Link to this section数据集搜索#
使用数据集搜索根据文本描述或特定标签/标记来查找图像。通过点击侧边栏中的“Dataset”来访问此功能。
Link to this section健康检查 (Health Check)#
在训练之前，请使用 Roboflow Health Check 来深入了解你的数据集并识别潜在的改进之处。通过侧边栏链接“Health Check”访问它。它提供关于图像大小、类别平衡、标注热力图等的统计数据。
Health Check 可能会建议进行更改以提高性能，例如解决在类别平衡功能中识别出的类别不平衡问题。了解数据集健康状况对于有效的 模型训练 至关重要。
Link to this section预处理和增强数据以提高模型鲁棒性#
要导出数据，你需要创建一个数据集版本，这是你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”。在此处，你可以应用预处理步骤和 数据增强 以期提高模型的鲁棒性。
对于每个选定的增强功能，弹窗允许你微调其参数（如亮度）。适当的增强可以显著提高模型的泛化能力，这也是我们在 模型训练技巧指南 中讨论的一个关键概念。
Link to this section导出数据以供 40 多种格式进行模型训练#
一旦生成了数据集版本，你就可以将其导出为适合模型训练的各种格式。点击版本页面上的“Export Dataset”按钮。
选择“YOLO26”格式以兼容 Ultralytics 训练流程。你现在可以开始训练自定义 YOLO26 模型了。请参阅 Ultralytics Train 模式文档，获取关于使用导出数据集启动训练的详细说明。
Link to this section上传自定义 YOLO26 模型权重以进行测试和部署#
Roboflow 为部署模型提供了可扩展的 API 和兼容设备的 SDK，例如 NVIDIA Jetson、Luxonis OAK、Raspberry Pi 以及基于 GPU 的系统。请在我们的指南中探索各种 模型部署选项。
你可以使用一个简单的 Python 脚本将 YOLO26 模型权重上传到 Roboflow，从而部署它们。
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.")在这段代码中，将 your-workspace-id、your-project-id、VERSION 号和 MODEL_PATH 替换为你 Roboflow 帐户、项目和本地训练结果目录的具体值。确保 MODEL_PATH 正确指向包含已训练 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 key）。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。
要测试模型并查找受支持 SDK 的部署说明，请前往 Roboflow 侧边栏中的“Deploy”选项卡。在该页面顶部，会出现一个 widget，允许你使用网络摄像头或通过上传图像/视频来测试模型。
你上传的模型也可以用作标签助手，根据其训练成果对新图像建议标注。
Link to this section如何评估 YOLO26 模型#
Roboflow 提供了评估模型性能的功能。理解 性能指标 对于模型迭代至关重要。
上传模型后，通过 Roboflow 控制台上的模型页面访问模型评估工具。点击“View Detailed Evaluation”。
此工具显示一个 混淆矩阵 以说明模型性能，以及一个使用 CLIP 嵌入的交互式向量分析图。这些功能有助于识别模型改进的领域。
混淆矩阵弹窗：
将鼠标悬停在单元格上可查看数值，点击单元格可查看带有模型预测和真值数据的相应图像。
点击“Vector Analysis”查看基于 CLIP 嵌入可视化图像相似度的散点图。距离越近的图像语义越相似。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：
- 识别图像聚类。
- 精确定位模型性能较差的聚类。
- 了解导致性能不佳的图像之间的共性。
Link to this section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：关于训练、导出和部署 YOLO 模型的文档。
- 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。
Link to this section常见问题#
Link to this section我该如何使用 Roboflow 为 YOLO26 模型标注数据？#
使用 Roboflow Annotate。创建一个项目，上传图像，并使用标注工具（B 用于 边界框，P 用于多边形）或基于 SAM 的标签助手以实现更快的标注。详细步骤可在 上传、转换并标注数据部分 中找到。
Link to this sectionRoboflow 为收集 YOLO26 训练数据提供了哪些服务？#
Roboflow 提供 Universe（访问海量 数据集）和 Collect（通过网络摄像头自动收集图像）。这些服务可以帮助你获取 YOLO26 模型所需的 训练数据，并对我们在 数据收集指南 中概述的策略进行补充。
Link to this section我该如何使用 Roboflow 管理和分析我的 YOLO26 数据集？#
利用 Roboflow 的数据集搜索、标记 (Tagging) 和 Health Check 功能。搜索功能可通过文本或标签查找图像，而 Health Check 可分析数据集质量（如类别平衡、图像大小等），从而在训练前指导改进。详细信息请参阅 数据集管理部分。
Link to this section我该如何从 Roboflow 导出我的 YOLO26 数据集？#
在 Roboflow 中创建一个数据集版本，应用所需的预处理和 增强功能，然后点击“Export Dataset”并选择 YOLO26 格式。此过程在 导出数据部分 中进行了概述。这为你将数据用于 Ultralytics 训练流程 做好准备。
Link to this section我该如何将 YOLO26 模型与 Roboflow 集成并部署？#
使用提供的 Python 脚本将你训练好的 YOLO26 权重上传到 Roboflow。这将创建一个可部署的 API 端点。有关脚本和说明，请参阅 上传自定义权重部分。在我们的文档中探索更多 部署选项。