Roboflow

Roboflow拥有构建和部署计算机视觉模型所需的一切。利用应用程序接口（API）和软件开发工具包（SDK），您可以在管道中的任何步骤连接Roboflow ，也可以使用端到端接口自动完成从图像到推理的整个过程。无论您需要数据标注、模型训练还是模型部署，Roboflow 都能为您提供构建模块，为您的项目提供定制的计算机视觉解决方案。

在本指南中，我们将展示如何查找、标记和组织数据，以用于训练自定义Ultralytics YOLOv8 模型。请使用下面的目录直接跳转到特定章节：

• 收集数据用于训练自定义YOLOv8 模型
• 为YOLOv8 格式上传、转换和标注数据
• 预处理和扩充数据，提高模型的稳健性
• 数据集管理 YOLOv8
• 以 40 多种格式导出数据，用于模型训练
• 上传自定义YOLOv8 模型权重，以便测试和部署
• 为训练自定义YOLOv8 模型收集数据

Roboflow 提供了两种服务，可帮助您为YOLOv8 模型收集数据：Universe和Collect。

Universe 是一个在线存储库，拥有超过 25 万个视觉数据集，总计超过 1 亿张图像。

通过 Roboflow 免费账户，您可以导出 Universe 上的任何数据集。要导出数据集，请点击任何数据集上的 "下载此数据集 "按钮。

对于YOLOv8 ，选择 "YOLOv8"作为导出格式：

Universe 还有一个页面，汇集了上传到Roboflow 的所有公开的微调YOLOv8 模型。您可以使用该页面探索预训练模型，用于测试或自动数据标注，或使用Roboflow 推理进行原型设计。

如果你想自己收集图像，可以试试Collect，这是一个开源项目，允许你使用边缘网络摄像头自动收集图像。您可以使用 Collect 的文本或图像提示来指示应该收集哪些数据，这样您就可以只捕捉建立视觉模型所需的有用数据。

为YOLOv8 格式上传、转换和标注数据

Roboflow Annotate是一款在线注释工具，用于标注图像，以便进行对象检测、分类和分割。

要为YOLOv8 对象检测、实例分割或分类模型标注数据，首先要在Roboflow 中创建一个项目。

然后，将图像和其他工具中已有的注释（使用 40 多种支持的导入格式之一）上传到Roboflow 。

在 "注释 "页面上选择您上传的一批图像，上传图像后会进入该页面。然后，点击 "开始注释"，为图片贴标签。

要使用边界框标注，请按 B 键或单击侧边栏中的方框图标。单击要开始创建边界框的点，然后拖动创建框：

创建注释后，弹出窗口会要求您为注释选择一个类。

要使用多边形标注，按 P 键，或侧边栏中的多边形图标。启用多边形注释工具后，单击图像中的各个点即可绘制多边形。

Roboflow 提供了一个基于SAM 的标签助手，您可以用它以前所未有的速度对图像进行标注。SAM (Segment Anything Model）是一种先进的计算机视觉模型，可以精确地为图像贴标签。有了SAM ，您可以大大加快图像标注过程。用多边形标注图像变得简单，只需点击几下即可，而无需再精确点击物体周围的点。

要使用标签助手，请单击侧边栏中的光标图标，SAM ，即可在项目中使用。

将鼠标悬停在图像中的任何对象上，SAM 就会推荐注释。您可以通过鼠标悬停来找到合适的注释位置，然后点击即可创建注释。要修改注释的具体内容，可以点击SAM 在文档上创建的注释的内部或外部。

您还可以通过侧边栏的标签面板为图像添加标签。您可以为特定区域的数据、特定相机拍摄的数据等添加标签。然后，您可以使用这些标签在数据中搜索与标签匹配的图像，并生成包含特定标签或标签集的数据集版本。

托管在Roboflow 上的模型可与标签辅助工具（Label Assist）一起使用，后者是一种自动注释工具，可使用您的YOLOv8 模型来推荐注释。要使用标签辅助工具，首先要将YOLOv8 模型上传到Roboflow （请参阅本指南后面的说明）。然后，单击左侧边栏中的魔棒图标，选择要在标签辅助工具中使用的模型。

选择一个型号，然后点击 "继续 "启用标签辅助功能：

打开新图像进行注释时，标签助手会触发并推荐注释。

数据集管理YOLOv8

Roboflow 提供了一套用于理解计算机视觉数据集的工具。

首先，您可以使用数据集搜索来查找符合语义文本描述（即查找包含人物的所有图像）或符合指定标签（即图像与特定标签相关联）的图像。要使用数据集搜索，请单击侧边栏中的 "数据集"。然后，使用页面顶部的搜索栏和相关筛选器输入搜索查询。

例如，以下文本查询可在数据集中找到包含人物的图像：

您可以使用 "标签 "选择器将搜索范围缩小到带有特定标签的图片：

在开始使用数据集训练模型之前，我们建议您使用Roboflow Health Check，这是一款网络工具，可帮助您深入了解数据集，以及如何在训练视觉模型之前改进数据集。

要使用 "健康检查"，请单击 "健康检查 "侧边栏链接。将出现一个统计列表，显示数据集中图像的平均大小、类平衡、图像中注释位置的热图等。

健康检查可能会建议进行更改，以帮助提高数据集性能。例如，类平衡功能可能会显示标签不平衡，如果解决了这个问题，就能提高性能或模型的性能。

以 40 多种格式导出数据，用于模型培训

要导出数据，您需要一个数据集版本。版本是数据集冻结在时间中的一种状态。要创建版本，首先点击侧边栏中的 "版本"。然后点击 "创建新版本 "按钮。在此页面中，您可以选择应用于数据集的增强和预处理步骤：

对于您选择的每种增强效果，都会出现一个弹出窗口，让您根据需要调整增强效果。下面是一个在指定参数范围内调整亮度增强功能的示例：

数据集版本生成后，您可以将数据导出为一系列格式。点击数据集版本页面上的 "导出数据集 "按钮即可导出数据：

现在，您已准备好在自定义数据集上训练YOLOv8 。请按照本书面指南和YouTube 视频中的步骤进行操作，或参考Ultralytics 文档。

上传自定义YOLOv8 模型权重，以便测试和部署

Roboflow 为已部署的模型和 SDK 提供了可无限扩展的应用程序接口，可与英伟达 Jetsons、Luxonis OAK、Raspberry Pis 和基于 GPU 的设备等配合使用。

您可以通过将YOLOv8 权重上传到Roboflow 来部署YOLOv8 模型。只需几行Python 代码就可以做到这一点。创建一个新的Python 文件并添加以下代码：

import roboflow  # install with 'pip install roboflow'

roboflow.login()

rf = roboflow.Roboflow()

project = rf.workspace(WORKSPACE_ID).project("football-players-detection-3zvbc")
dataset = project.version(VERSION).download("yolov8")

project.version(dataset.version).deploy(model_type="yolov8", model_path=f"{HOME}/runs/detect/train/")

在此代码中，用您的账户和项目的值替换项目 ID 和版本 ID。了解如何检索Roboflow API 密钥。

运行上述代码时，系统会要求您进行身份验证。然后，您的模型将被上传，并为您的项目创建一个 API。这个过程可能需要 30 分钟才能完成。

要测试您的模型并查找受支持 SDK 的部署说明，请访问Roboflow 侧边栏中的 "部署 "选项卡。在该页面顶部会出现一个小工具，您可以使用它来测试您的模型。您可以使用网络摄像头进行实时测试，也可以上传图片或视频。

您还可以将上传的模型用作标注助手。该功能使用您训练好的模型对上传到Roboflow 的图像推荐注释。

如何评估YOLOv8 模型

Roboflow 提供了一系列用于评估模型的功能。

一旦将模型上传到Roboflow ，您就可以访问我们的模型评估工具，该工具提供了显示模型性能的混淆矩阵以及交互式矢量分析图。这些功能可以帮助您找到改进模型的机会。

要访问混淆矩阵，请访问Roboflow 面板上的模型页面，然后单击 "查看详细评估"：

弹出窗口显示混淆矩阵：

将鼠标悬停在混淆矩阵上的方框上，可查看与该方框相关的值。点击方框可查看相应类别的图像。点击图像可查看与该图像相关的模型预测和地面实况数据。

要了解更多信息，请单击矢量分析。这将显示使用 CLIP 计算出的数据集中图像的散点图。图像在散点图中的距离越近，说明它们在语义上越相似。每张图片都用一个点来表示，颜色介于白色和红色之间。点越红，模型的表现就越差。

您可以使用矢量分析来

• 查找图像集群
• 确定模型表现不佳的群组，并
• 可视化模型表现不佳的图像之间的共性。

学习资源

想了解有关使用Roboflow 创建YOLOv8 模型的更多信息吗？以下资源可能会对您的工作有所帮助。

• 在自定义数据集上训练YOLOv8 ：我们的互动笔记本将向您展示如何在自定义数据集上训练YOLOv8 模型。
• Autodistill：使用大型基础视觉模型为特定模型标注数据。您可以使用 Autodistill 对图像进行标注，以用于训练YOLOv8 分类、检测和分割模型。
• 监督：Python 软件包，其中包含用于计算机视觉模型的实用工具。您可以使用监督功能过滤检测结果、计算混淆矩阵等，所有这些只需几行Python 代码即可完成。
• Roboflow 博客：Roboflow 博客有 500 多篇关于计算机视觉的文章，涵盖从如何训练YOLOv8 模型到注释最佳实践等主题。
• Roboflow YouTube 频道：在我们的 YouTube 频道上浏览数十种深入的计算机视觉指南，涵盖从训练YOLOv8 模型到自动图像标注等主题。

项目展示

以下是我们收到的关于使用YOLOv8 和Roboflow 一起创建计算机视觉模型的众多反馈中的几条。

评论