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,以训练YOLOv5 🚀 模型。如果您公开工作空间,Roboflow 可免费与YOLOv5 一起使用。
许可
Ultralytics 提供两种许可选项:
- AGPL-3.0 许可证是经 OSI 批准的开放源码许可证,非常适合学生和爱好者使用。
- 企业许可证适用于希望将我们的人工智能模型纳入其产品和服务的企业。
更多详情,请参阅Ultralytics Licensing。
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
您可以使用不同的预处理和离线增强选项制作不同版本的数据集。YOLOv5 本身就可以进行在线增强,因此在Roboflow 上进行离线增强时要有意识。
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。您可以在这里访问代码:
主动学习
The real world is messy and your model will invariably encounter situations your dataset didn't anticipate. Using active learning is an important strategy to iteratively improve your dataset and model. With the Roboflow and YOLOv5 integration, you can quickly make improvements on your model deployments by using a battle tested machine learning pipeline.
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,以便启动您的项目。
- 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。
What is active learning and how does it work with YOLOv5 and Roboflow?
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,然后手动验证或纠正这些预测,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 provides ready-to-use environments with pre-installed dependencies like CUDA, CUDNN, Python, and PyTorch, making it easier to kickstart your training projects. These environments are available on various platforms such as Google Cloud, AWS, Azure, and Docker. You can also access free GPU notebooks via Paperspace, Google Colab, and Kaggle. For specific setup instructions, visit the Supported Environments section of the documentation.