Link to this sectionRoboflow#

Roboflow bietet Tools für die Datenkennzeichnung und den Dataset-Export in verschiedenen Formaten, einschließlich YOLO. Dieser Leitfaden behandelt das Kennzeichnen, Exportieren und Bereitstellen von Daten für Ultralytics YOLO Modelle.

Dieser Leitfaden zeigt dir, wie du Daten mit Roboflow für das Training eines benutzerdefinierten Ultralytics YOLO26 Modells findest, kennzeichnest und organisierst.

• Daten für das Training sammeln
• Daten kennzeichnen
• Dataset-Verwaltung
• Daten exportieren
• Modelle bereitstellen
• Modelle evaluieren
• FAQ

Link to this sectionDaten für das Training eines benutzerdefinierten YOLO26 Modells sammeln#

Roboflow bietet zwei Hauptdienste zur Unterstützung bei der Datensammlung für Ultralytics YOLO Modelle: Universe und Collect. Für allgemeinere Informationen zu Strategien der Datensammlung verweisen wir auf unseren Leitfaden zur Datensammlung und Annotation.

Link to this sectionRoboflow Universe#

Roboflow Universe ist ein Online-Repository für Vision-Datasets. Du kannst Datasets im YOLO-Format für die Verwendung mit Ultralytics Modellen exportieren.

Link to this sectionRoboflow Collect#

Wenn du Bilder lieber selbst sammeln möchtest, ist Roboflow Collect ein Open-Source-Projekt, das die automatische Bildsammlung über eine Webcam auf Edge-Geräten ermöglicht. Du kannst Text- oder Bild-Prompts verwenden, um anzugeben, welche Daten gesammelt werden sollen, damit du nur die für dein Vision-Modell erforderlichen Bilder erfasst.

Link to this sectionDaten für das YOLO26-Format hochladen, konvertieren und kennzeichnen#

Roboflow Annotate ist ein Online-Tool zum Kennzeichnen von Bildern für verschiedene Computer-Vision-Aufgaben, einschließlich Objekterkennung, Klassifizierung und Segmentierung.

Um Daten für ein Ultralytics YOLO Modell zu kennzeichnen, erstelle ein Projekt in Roboflow, lade deine Bilder hoch und beginne mit der Annotation.

Link to this sectionAnnotationstools#

• Bounding-Box-Annotation: Drücke B oder klicke auf das Box-Symbol. Klicke und ziehe, um die Bounding Box zu erstellen. Ein Pop-up fordert dich auf, eine Klasse für die Annotation auszuwählen.
• Polygon-Annotation: Wird für Instanzsegmentierung verwendet. Drücke P oder klicke auf das Polygon-Symbol. Klicke Punkte um das Objekt herum, um das Polygon zu zeichnen.

Link to this sectionLabel-Assistent (SAM-Integration)#

Roboflow integriert einen auf dem Segment Anything Model (SAM) basierenden Label-Assistenten, um die Annotation potenziell zu beschleunigen.

Um den Label-Assistenten zu nutzen, klicke auf das Cursor-Symbol in der Seitenleiste. SAM wird für dein Projekt aktiviert.

Bewege den Mauszeiger über ein Objekt, und SAM schlägt möglicherweise eine Annotation vor. Klicke, um die Annotation zu akzeptieren. Du kannst die Spezifität der Annotation verfeinern, indem du innerhalb oder außerhalb des vorgeschlagenen Bereichs klickst.

Link to this sectionTagging#

Du kannst Bilder über das Tags-Panel in der Seitenleiste mit Tags versehen. Tags können Attribute wie Standort, Kameraquelle usw. darstellen. Diese Tags ermöglichen es dir, nach bestimmten Bildern zu suchen und Dataset-Versionen zu generieren, die Bilder mit bestimmten Tags enthalten.

Link to this sectionLabel Assist (modellbasiert)#

Modelle, die auf Roboflow gehostet werden, können mit Label Assist verwendet werden, um Annotationen vorzuschlagen. Lade deine YOLO-Modellgewichte auf Roboflow hoch (siehe Anweisungen unten) und aktiviere dann Label Assist über das Zauberstab-Symbol in der Seitenleiste.

Link to this sectionDataset-Verwaltung für YOLO26#

Roboflow bietet verschiedene Tools zum Verstehen und Verwalten deiner Computer-Vision-Datasets.

Link to this sectionDataset-Suche#

Verwende die Dataset-Suche, um Bilder basierend auf Textbeschreibungen oder spezifischen Labels/Tags zu finden. Greife auf diese Funktion zu, indem du in der Seitenleiste auf „Dataset“ klickst.

Link to this sectionGesundheitsprüfung#

Nutze vor dem Training den Roboflow Health Check, um Einblicke in dein Dataset zu gewinnen und potenzielle Verbesserungen zu identifizieren. Greife über den Link „Health Check“ in der Seitenleiste darauf zu. Er bietet Statistiken zu Bildgrößen, Klassenbalance, Annotations-Heatmaps und mehr.

Health Check könnte Änderungen zur Leistungssteigerung vorschlagen, wie z. B. die Behebung von Klassenungleichgewichten, die in der Klassenbalance-Funktion identifiziert wurden. Das Verständnis des Dataset-Zustands ist entscheidend für ein effektives Modelltraining.

Link to this sectionDaten vorverarbeiten und augmentieren für Modellrobustheit#

Um deine Daten zu exportieren, musst du eine Dataset-Version erstellen, die eine Momentaufnahme deines Datasets zu einem bestimmten Zeitpunkt darstellt. Klicke in der Seitenleiste auf „Versions“ und dann auf „Create New Version“. Hier kannst du Vorverarbeitungsschritte und Datenaugmentierungen anwenden, um die Robustheit des Modells potenziell zu verbessern.

Für jede ausgewählte Augmentierung ermöglicht ein Pop-up die Feinabstimmung ihrer Parameter, wie z. B. der Helligkeit. Eine korrekte Augmentierung kann die Modellverallgemeinerung erheblich verbessern – ein Schlüsselkonzept, das in unserem Leitfaden mit Tipps zum Modelltraining diskutiert wird.

Link to this sectionDaten in über 40 Formaten für das Modelltraining exportieren#

Sobald deine Dataset-Version generiert ist, kannst du sie in verschiedenen Formaten exportieren, die für das Modelltraining geeignet sind. Klicke auf der Versionsseite auf die Schaltfläche „Export Dataset“.

Wähle das Format „YOLO26“ für die Kompatibilität mit Ultralytics Trainings-Pipelines. Du bist nun bereit, dein benutzerdefiniertes YOLO26 Modell zu trainieren. Siehe die Dokumentation zum Ultralytics Trainingsmodus für detaillierte Anweisungen zum Starten des Trainings mit deinem exportierten Dataset.

Link to this sectionBenutzerdefinierte YOLO26 Modellgewichte zum Testen und Bereitstellen hochladen#

Roboflow bietet eine skalierbare API für bereitgestellte Modelle sowie SDKs, die mit Geräten wie NVIDIA Jetson, Luxonis OAK, Raspberry Pi und GPU-basierten Systemen kompatibel sind. Erkunde verschiedene Modellbereitstellungsoptionen in unseren Leitfäden.

Du kannst YOLO26 Modelle bereitstellen, indem du ihre Gewichte mit einem einfachen Python Skript auf Roboflow hochlädst.

Erstelle eine neue Python-Datei und füge den folgenden Code hinzu:

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.")

Ersetze in diesem Code your-workspace-id, your-project-id, die VERSION-Nummer und den MODEL_PATH durch die Werte, die für dein Roboflow-Konto, dein Projekt und dein lokales Trainingsergebnisverzeichnis spezifisch sind. Stelle sicher, dass der MODEL_PATH korrekt auf das Verzeichnis zeigt, das deine trainierte best.pt Gewichtsdatei enthält.

Wenn du den oben stehenden Code ausführst, wirst du aufgefordert, dich zu authentifizieren (normalerweise über einen API-Schlüssel). Anschließend wird dein Modell hochgeladen und ein API-Endpunkt für dein Projekt erstellt. Dieser Vorgang kann bis zu 30 Minuten in Anspruch nehmen.

Um dein Modell zu testen und Bereitstellungsanweisungen für unterstützte SDKs zu finden, gehe auf die Registerkarte „Deploy“ in der Roboflow-Seitenleiste. Oben auf dieser Seite erscheint ein Widget, mit dem du dein Modell über deine Webcam oder durch Hochladen von Bildern oder Videos testen kannst.

Dein hochgeladenes Modell kann auch als Label-Assistent verwendet werden, der Annotationen auf neuen Bildern basierend auf seinem Training vorschlägt.

Link to this sectionWie YOLO26 Modelle evaluiert werden#

Roboflow bietet Funktionen zur Evaluierung der Modellleistung. Das Verständnis von Leistungsmetriken ist entscheidend für die Modelliteration.

Nachdem du ein Modell hochgeladen hast, greife über deine Modellseite im Roboflow-Dashboard auf das Modellevaluierungstool zu. Klicke auf „View Detailed Evaluation“.

Dieses Tool zeigt eine Konfusionsmatrix, die die Modellleistung veranschaulicht, sowie ein interaktives Vektoranalysediagramm unter Verwendung von CLIP Embeddings. Diese Funktionen helfen dabei, Bereiche zur Modellverbesserung zu identifizieren.

Das Pop-up der Konfusionsmatrix:

Bewege den Mauszeiger über Zellen, um Werte zu sehen, und klicke auf Zellen, um entsprechende Bilder mit Modellvorhersagen und Ground-Truth-Daten anzuzeigen.

Klicke auf „Vector Analysis“ für ein Streudiagramm, das die Bildähnlichkeit basierend auf CLIP Embeddings visualisiert. Bilder, die näher beieinander liegen, sind semantisch ähnlich. Punkte repräsentieren Bilder, die von Weiß (gute Leistung) bis Rot (schlechte Leistung) eingefärbt sind.

Vektoranalyse hilft bei:

• Identifizierung von Bildclustern.
• Lokalisierung von Clustern, bei denen das Modell schlecht abschneidet.
• Verständnis von Gemeinsamkeiten bei Bildern, die eine schlechte Leistung verursachen.

Link to this sectionLernressourcen#

• YOLO auf einem benutzerdefinierten Dataset trainieren (Colab): Interaktives Google Colab Notebook für das Training mit deinen Daten.
• Ultralytics YOLO Dokumentation: Training, Exportieren und Bereitstellen von YOLO Modellen.
• Ultralytics Blog: Artikel zu Computer Vision und Modelltraining.
• Ultralytics YouTube: Video-Anleitungen zum Modelltraining und zur Bereitstellung.

Link to this sectionFAQ#

Link to this sectionWie kennzeichne ich Daten für YOLO26 Modelle mit Roboflow?#

Verwende Roboflow Annotate. Erstelle ein Projekt, lade Bilder hoch und nutze die Annotationstools (B für Bounding Boxes, P für Polygone) oder den SAM-basierten Label-Assistenten für eine schnellere Kennzeichnung. Detaillierte Schritte findest du im Abschnitt Hochladen, Konvertieren und Kennzeichnen von Daten.

Link to this sectionWelche Dienste bietet Roboflow zum Sammeln von YOLO26 Trainingsdaten?#

Roboflow bietet Universe (Zugriff auf zahlreiche Datasets) und Collect (automatisierte Bildsammlung per Webcam). Diese können helfen, die notwendigen Trainingsdaten für dein YOLO26 Modell zu beschaffen, und ergänzen Strategien, die in unserem Leitfaden zur Datensammlung umrissen sind.

Link to this sectionWie kann ich mein YOLO26 Dataset mit Roboflow verwalten und analysieren?#

Nutze die Dataset-Such-, Tagging- und Health-Check-Funktionen von Roboflow. Die Suche findet Bilder nach Text oder Tags, während Health Check die Dataset-Qualität (Klassenbalance, Bildgrößen usw.) analysiert, um Verbesserungen vor dem Training anzuleiten. Siehe den Abschnitt Dataset-Verwaltung für Details.

Link to this sectionWie exportiere ich mein YOLO26 Dataset aus Roboflow?#

Erstelle eine Dataset-Version in Roboflow, wende die gewünschte Vorverarbeitung und Augmentierungen an, klicke dann auf „Export Dataset“ und wähle das YOLO26 Format. Der Prozess ist im Abschnitt Daten exportieren beschrieben. Dies bereitet deine Daten für die Verwendung mit Ultralytics Trainings-Pipelines vor.

Link to this sectionWie kann ich YOLO26 Modelle mit Roboflow integrieren und bereitstellen?#

Lade deine trainierten YOLO26 Gewichte mit dem bereitgestellten Python-Skript auf Roboflow hoch. Dies erstellt einen bereitstellbaren API-Endpunkt. Siehe den Abschnitt Benutzerdefinierte Gewichte hochladen für das Skript und die Anweisungen. Entdecke weitere Bereitstellungsoptionen in unserer Dokumentation.