Link to this sectionRoboflow#

Roboflow предоставляет инструменты для разметки данных и экспорта наборов данных в различных форматах, включая YOLO. Это руководство охватывает разметку, экспорт и развертывание данных для моделей Ultralytics YOLO.

В этом руководстве показано, как находить, размечать и организовывать данные для обучения пользовательской модели Ultralytics YOLO26 с помощью Roboflow.

• Сбор данных для обучения
• Разметка данных
• Управление наборами данных
• Экспорт данных
• Развертывание моделей
• Оценка моделей
• FAQ

Link to this sectionСбор данных для обучения пользовательской модели YOLO26#

Roboflow предлагает два основных сервиса для помощи в сборе данных для моделей Ultralytics YOLO: Universe и Collect. Для получения более общей информации о стратегиях сбора данных обратись к нашему Руководству по сбору и аннотированию данных.

Link to this sectionRoboflow Universe#

Roboflow Universe — это онлайн-репозиторий наборов данных для компьютерного зрения. Ты можешь экспортировать наборы данных в формате YOLO для использования с моделями Ultralytics.

Link to this sectionRoboflow Collect#

Если ты предпочитаешь собирать изображения самостоятельно, Roboflow Collect — это проект с открытым исходным кодом, позволяющий автоматически собирать изображения с веб-камеры на граничных устройствах. Ты можешь использовать текстовые или графические подсказки, чтобы указать, какие данные необходимо собрать, что поможет захватить только нужные изображения для твоей модели компьютерного зрения.

Link to this sectionЗагрузка, конвертация и разметка данных для формата YOLO26#

Roboflow Annotate — это онлайн-инструмент для разметки изображений для различных задач компьютерного зрения, включая обнаружение объектов, классификацию и сегментацию.

Чтобы разметить данные для модели Ultralytics YOLO, создай проект в Roboflow, загрузи свои изображения и начни аннотирование.

Link to this sectionИнструменты для аннотирования#

• Аннотирование ограничивающими рамками (BBox): Нажми B или значок рамки. Нажми и перетащи курсор, чтобы создать ограничивающую рамку. Во всплывающем окне тебе будет предложено выбрать класс для этой аннотации.
• Полигональное аннотирование: Используется для сегментации экземпляров. Нажми P или значок полигона. Кликай по точкам вокруг объекта, чтобы нарисовать полигон.

Link to this sectionПомощник по разметке (интеграция с SAM)#

Roboflow интегрирует помощник по разметке на основе Segment Anything Model (SAM) для потенциального ускорения процесса аннотирования.

Чтобы воспользоваться помощником, нажми на значок курсора на боковой панели. SAM будет активирован для твоего проекта.

Наведи курсор на объект, и SAM может предложить аннотацию. Нажми, чтобы принять её. Ты можешь уточнить специфику аннотации, кликая внутри или снаружи предложенной области.

Link to this sectionТегирование#

Ты можешь добавлять теги к изображениям, используя панель Tags на боковой панели. Теги могут обозначать такие атрибуты, как местоположение, источник камеры и т. д. Эти теги позволяют находить конкретные изображения и создавать версии наборов данных, содержащие изображения с определенными тегами.

Link to this sectionПомощник по разметке (на основе модели)#

Модели, размещенные в Roboflow, можно использовать с функцией Label Assist для предложения аннотаций. Загрузи веса своей модели YOLO в Roboflow (см. инструкции ниже), а затем активируй Label Assist с помощью значка волшебной палочки на боковой панели.

Link to this sectionУправление наборами данных для YOLO26#

Roboflow предоставляет инструменты для понимания и управления твоими наборами данных для компьютерного зрения.

Link to this sectionПоиск по набору данных#

Используй поиск, чтобы находить изображения на основе текстовых описаний или конкретных меток/тегов. Получи доступ к этой функции, нажав «Dataset» на боковой панели.

Link to this sectionПроверка работоспособности#

Перед обучением используй функцию Health Check в Roboflow, чтобы получить представление о своем наборе данных и выявить потенциальные улучшения. Перейди к ней по ссылке «Health Check» на боковой панели. Она предоставляет статистику по размерам изображений, балансу классов, тепловым картам аннотаций и многому другому.

Health Check может предложить изменения для повышения производительности, например, устранение дисбаланса классов. Понимание состояния набора данных имеет решающее значение для эффективного обучения модели.

Link to this sectionПредварительная обработка и аугментация данных для надежности модели#

Чтобы экспортировать данные, тебе нужно создать версию набора данных — снимок твоего набора в определенный момент времени. Нажми «Versions» на боковой панели, затем «Create New Version». Здесь ты можешь применить шаги предварительной обработки и аугментацию данных, чтобы потенциально повысить надежность модели.

Для каждой выбранной аугментации всплывающее окно позволяет точно настроить её параметры, такие как яркость. Правильная аугментация может значительно улучшить обобщающую способность модели — ключевую концепцию, обсуждаемую в нашем руководстве по советам по обучению моделей.

Link to this sectionЭкспорт данных в 40+ форматах для обучения модели#

После создания версии набора данных ты можешь экспортировать её в различные форматы, подходящие для обучения. Нажми кнопку «Export Dataset» на странице версии.

Выбери формат «YOLO26» для совместимости с конвейерами обучения Ultralytics. Теперь ты готов к обучению своей пользовательской модели YOLO26. Обратись к документации Ultralytics по режиму Train для получения подробных инструкций по началу обучения с использованием экспортированного набора данных.

Link to this sectionЗагрузка весов пользовательской модели YOLO26 для тестирования и развертывания#

Roboflow предлагает масштабируемый API для развернутых моделей и SDK, совместимые с такими устройствами, как NVIDIA Jetson, Luxonis OAK, Raspberry Pi и системы на базе GPU. Изучи различные варианты развертывания моделей в наших руководствах.

Ты можешь развернуть модели YOLO26, загрузив их веса в Roboflow с помощью простого скрипта на Python.

Создай новый файл Python и добавь следующий код:

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.")

В этом коде замени your-workspace-id, your-project-id, номер VERSION и MODEL_PATH на значения, специфичные для твоей учетной записи Roboflow, проекта и локальной директории результатов обучения. Убедись, что MODEL_PATH правильно указывает на директорию, содержащую твой обученный файл весов best.pt.

Когда ты запустишь приведенный выше код, тебя попросят пройти аутентификацию (обычно через API-ключ). Затем твоя модель будет загружена, и для твоего проекта будет создана конечная точка API. Этот процесс может занять до 30 минут.

Чтобы протестировать свою модель и найти инструкции по развертыванию для поддерживаемых SDK, перейди на вкладку «Deploy» на боковой панели Roboflow. В верхней части этой страницы появится виджет, позволяющий протестировать модель с помощью веб-камеры или путем загрузки изображений/видео.

Твою загруженную модель также можно использовать в качестве помощника по разметке, предлагающего аннотации для новых изображений на основе её обучения.

Link to this sectionКак оценивать модели YOLO26#

Roboflow предоставляет функции для оценки производительности моделей. Понимание метрик производительности критически важно для итерации модели.

После загрузки модели получи доступ к инструменту оценки на странице модели на панели управления Roboflow. Нажми «View Detailed Evaluation».

Этот инструмент отображает матрицу ошибок, иллюстрирующую производительность модели, и интерактивный график векторного анализа с использованием эмбеддингов CLIP. Эти функции помогают выявить области для улучшения модели.

Всплывающее окно матрицы ошибок:

Наводи курсор на ячейки, чтобы увидеть значения, и кликай по ним, чтобы просмотреть соответствующие изображения с предсказаниями модели и данными ground truth.

Нажми «Vector Analysis» для scatter-графика, визуализирующего сходство изображений на основе эмбеддингов CLIP. Изображения, расположенные ближе друг к другу, семантически похожи. Точки представляют изображения, раскрашенные от белого (хорошая производительность) до красного (плохая производительность).

Векторный анализ помогает:

• Идентифицировать кластеры изображений.
• Точно определить кластеры, на которых модель работает плохо.
• Понять общие черты изображений, приводящие к низкой производительности.

Link to this sectionУчебные ресурсы#

• Обучение YOLO на пользовательском наборе данных (Colab): Интерактивный блокнот Google Colab для обучения на твоих данных.
• Документация Ultralytics YOLO: Обучение, экспорт и развертывание моделей YOLO.
• Блог Ultralytics: Статьи о компьютерном зрении и обучении моделей.
• YouTube-канал Ultralytics: Видеоинструкции по обучению и развертыванию моделей.

Link to this sectionFAQ#

Link to this sectionКак разметить данные для моделей YOLO26 с помощью Roboflow?#

Используй Roboflow Annotate. Создай проект, загрузи изображения и используй инструменты аннотирования (B для ограничивающих рамок, P для полигонов) или помощника по разметке на основе SAM для более быстрой работы. Подробные шаги доступны в разделе Загрузка, конвертация и разметка данных.

Link to this sectionКакие сервисы предлагает Roboflow для сбора данных обучения YOLO26?#

Roboflow предоставляет Universe (доступ к многочисленным наборам данных) и Collect (автоматизированный сбор изображений с веб-камеры). Это поможет получить необходимые обучающие данные для твоей модели YOLO26, дополняя стратегии, описанные в нашем Руководстве по сбору данных.

Link to this sectionКак я могу управлять своим набором данных YOLO26 и анализировать его с помощью Roboflow?#

Используй функции поиска, тегирования и Health Check в Roboflow. Поиск находит изображения по тексту или тегам, а Health Check анализирует качество набора данных (баланс классов, размеры изображений и т. д.), помогая внести улучшения перед обучением. Подробности см. в разделе Управление наборами данных.

Link to this sectionКак экспортировать набор данных YOLO26 из Roboflow?#

Создай версию набора данных в Roboflow, примени желаемую предварительную обработку и аугментацию, затем нажми «Export Dataset» и выбери формат YOLO26. Процесс описан в разделе Экспорт данных. Это подготовит данные для использования в конвейерах обучения Ultralytics.

Link to this sectionКак интегрировать и развернуть модели YOLO26 с помощью Roboflow?#

Загрузи свои обученные веса YOLO26 в Roboflow с помощью предоставленного скрипта Python. Это создаст развертываемую конечную точку API. Обратись к разделу Загрузка пользовательских весов за скриптом и инструкциями. Изучи дополнительные варианты развертывания в нашей документации.