Roboflow 数据集

现在，您可以使用Roboflow 来组织、标注、准备、发布和托管您的数据集，以便训练YOLOv5 🚀 模型。如果您公开工作空间，Roboflow 可免费与YOLOv5 一起使用。

上传

您可以通过Web UI、REST API 或其他方式将数据上传到Roboflow 。 Python.

标签

将数据上传到Roboflow 后，您可以给数据贴标签，并查看以前的标签。

版本控制

You can make versions of your dataset with different preprocessing and offline augmentation options. YOLOv5 does online augmentations natively, so be intentional when layering Roboflow offline augmentations on top.

导出数据

您可以下载YOLOv5 格式的数据，以便快速开始培训。

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")

定制培训

我们发布了一个自定义培训教程，演示了上述所有功能。您可以在此访问代码：

主动学习

现实世界是混乱的，您的模型总会遇到数据集没有预料到的情况。使用主动学习是迭代改进数据集和模型的重要策略。通过Roboflow 和YOLOv5 集成，您可以使用经过实战检验的机器学习管道快速改进模型部署。

支持的环境

Ultralytics 提供了一系列随时可用的环境，每个环境都预装了基本的依赖项，如 CUDA、CUDNN、 Python和 PyTorch等基本依赖项，以便启动项目。

• 免费GPU 笔记本:
• Google 云计算 GCP 快速入门指南
• 亚马逊 AWS 快速入门指南
• Azure.AzureML 快速入门指南AzureML 快速入门指南
• Docker: Docker 快速入门指南

项目现状

此徽章表示YOLOv5 GitHub Actions 的所有持续集成（CI）测试均已成功通过。这些 CI 测试严格检查了YOLOv5 在训练、验证、推理、导出和基准等多个关键方面的功能和性能。它们确保在 macOS、Windows 和 Ubuntu 上运行的一致性和可靠性，每 24 小时和每次新提交时都会进行一次测试。

常见问题

如何将数据上传到Roboflow 以训练YOLOv5 模型？

您可以使用三种不同的方法将数据上传到Roboflow ：通过网站、REST API 或Python 。这些选项可根据您的技术偏好或项目要求提供灵活性。数据上传后，您可以对其进行整理、标注和版本控制，为使用Ultralytics YOLOv5 模型进行训练做好准备。有关详细信息，请访问文档的上传部分。

使用Roboflow 进行数据标注和版本管理有哪些优势？

Roboflow 提供了一个全面的数据组织、标注和版本管理平台，这对高效的机器学习工作流至关重要。通过使用Roboflow 和YOLOv5 ，您可以简化数据集的准备过程，确保您的数据得到准确的注释和一致的版本控制。该平台还支持各种预处理和离线增强选项，以提高数据集的质量。如需深入了解这些功能，请参阅文档中的 "标签"和"版本"部分。

如何将数据集从Roboflow 导出为YOLOv5 格式？

将数据集从Roboflow 导出到YOLOv5 格式非常简单。您可以使用文档中提供的Python 代码片段：

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")

该代码将以与YOLOv5 兼容的格式下载数据集，以便快速开始训练模型。更多详情，请参阅 "导出数据"部分。

什么是主动学习，它如何与YOLOv5 和Roboflow 配合使用？

主动学习是一种机器学习策略，它通过智能地选择信息量最大的数据点进行标注，从而迭代地改进模型。通过Roboflow 和YOLOv5 的集成，您可以实施主动学习，不断提高模型的性能。这包括部署模型、捕获新数据、使用模型进行预测，然后手动验证或修正这些预测以进一步训练模型。有关主动学习的更多信息，请参阅上文的 "主动学习 "部分。

如何使用Ultralytics 环境在不同平台上训练YOLOv5 模型？

Ultralytics 提供现成可用的环境，并预装了CUDA, CUDNN,Python, 和 PyTorch等预装依赖项的即用型环境，让您更轻松地启动培训项目。这些环境可用于各种平台，如Google Cloud、AWS、Azure 和 Docker。您还可以通过以下网站访问免费的GPU 笔记本 Paperspace、Google Colab 和Kaggle 访问免费笔记本。有关具体设置说明，请访问文档的 "支持的环境"部分。

📅创建于 1 年前 ✏️已更新 16 天前

评论