Meet YOLO26: next-gen vision AI.

Link to this sectionRoboflow#

Roboflow 提供了用于 数据标注 和以多种格式（包括 YOLO）导出数据集的工具。本指南涵盖了为 Ultralytics YOLO 模型进行数据标注、导出和部署的内容。

许可

Ultralytics 提供两种许可选项以适应不同的使用场景：

  • AGPL-3.0 许可证：此 OSI 批准的开源许可证 非常适合学生和爱好者，旨在促进开放协作与知识共享。详情请参阅 LICENSE 文件。
  • 企业许可证：针对开发和生产用途，此许可证支持将 Ultralytics 软件和 AI 模型无缝集成到商业产品和服务中，包括内部工具、自动化工作流和生产部署，从而绕过 AGPL-3.0 的开源要求。如需开始使用，请通过 Ultralytics Licensing 联系我们。

更多详情请参阅 Ultralytics 许可页面。

本指南演示了如何使用 Roboflow 查找、标注和整理数据，以训练自定义的 Ultralytics YOLO26 模型。

Link to this section收集用于训练自定义 YOLO26 模型的数据#

Roboflow 提供两项主要服务来协助收集 Ultralytics YOLO 模型 的数据：Universe 和 Collect。有关数据收集策略的更多常规信息，请参阅我们的 数据收集与标注指南。

Link to this sectionRoboflow Universe#

Roboflow Universe 是一个在线计算机视觉 数据集 存储库。你可以导出 YOLO 格式的数据集，以便与 Ultralytics 模型结合使用。

Link to this sectionRoboflow Collect#

如果你倾向于自己收集图像，Roboflow Collect 是一个开源项目，支持通过边缘设备上的网络摄像头自动收集图像。你可以使用文本或图像提示来指定需要收集的数据，从而帮助你只获取视觉模型所需的图像。

Link to this section上传、转换并标注 YOLO26 格式数据#

Roboflow Annotate 是一款在线工具，用于标注各种计算机视觉任务的图像，包括 目标检测、分类 和 分割。

若要为 Ultralytics YOLO 模型标注数据，请在 Roboflow 中创建一个项目，上传你的图像，然后开始标注。

Link to this section标注工具#

  • 边界框标注：按 B 或点击框图标。点击并拖动以创建 边界框。弹出的窗口将提示你为该标注选择一个类别。
  • 多边形标注：用于 实例分割。按 P 或点击多边形图标。点击物体周围的点以绘制多边形。

Link to this section标注助手（SAM 集成）#

Roboflow 集成了基于 Segment Anything Model (SAM) 的标注助手，有助于加快标注速度。

要使用标注助手，请点击侧边栏中的光标图标。SAM 将在你的项目中启用。

将鼠标悬停在物体上，SAM 可能会建议一个标注。点击以接受该标注。你可以通过在建议区域内或外点击来调整标注的精确度。

Link to this section标签管理#

你可以使用侧边栏中的 Tags 面板为图像添加标签。标签可以代表位置、摄像头来源等属性。通过这些标签，你可以搜索特定图像并生成包含带有特定标签图像的数据集版本。

Link to this section标注助手（基于模型）#

托管在 Roboflow 上的模型可以与标注助手结合使用，以建议标注。将你的 YOLO 模型权重上传到 Roboflow（见下文说明），然后通过侧边栏中的魔法棒图标激活标注助手。

Link to this sectionYOLO26 数据集管理#

Roboflow 提供了多种工具来理解和管理你的计算机视觉 数据集。

Link to this section数据集搜索#

使用数据集搜索功能，根据文本描述或特定标签/标记查找图像。通过点击侧边栏中的“Dataset”即可访问此功能。

Link to this section健康检查#

在训练之前，请使用 Roboflow 的 Health Check 功能深入了解你的数据集并确定潜在的改进之处。通过侧边栏的“Health Check”链接访问它。它提供有关图像大小、类别平衡、标注热力图等的统计数据。

Roboflow Health Check analysis dashboard

Health Check 可能会建议进行更改以提高性能，例如解决在类别平衡功能中识别出的类别失衡问题。了解数据集健康状况对于有效的 模型训练 至关重要。

Link to this section预处理与增强数据以提高模型稳健性#

要导出数据，你需要创建一个数据集版本，这是你数据集在特定时间点的快照。点击侧边栏中的“Versions”，然后点击“Create New Version”。在这里，你可以应用预处理步骤和 数据增强，从而提高模型的稳健性。

Creating Roboflow dataset version with augmentation

对于每个选择的增强功能，弹出的窗口允许你微调其参数，例如亮度。适当的增强可以显著提高模型的泛化能力，这是我们在 模型训练技巧指南 中讨论的关键概念。

Link to this section导出 40+ 种格式的数据用于模型训练#

数据集版本生成后，你可以将其导出为各种适合模型训练的格式。点击版本页面上的“Export Dataset”按钮。

Roboflow dataset export to YOLO format

选择“YOLO26”格式以确保与 Ultralytics 训练流水线的兼容性。现在，你已准备好训练自定义的 YOLO26 模型。有关使用导出数据集启动训练的详细说明，请参阅 Ultralytics Train 模式文档。

Link to this section上传自定义 YOLO26 模型权重以进行测试和部署#

Roboflow 为部署的模型提供了可扩展的 API，并提供与 NVIDIA Jetson、Luxonis OAK、Raspberry Pi 及基于 GPU 的系统等设备兼容的 SDK。探索我们指南中提供的各种 模型部署选项。

你可以通过一个简单的 Python 脚本将 YOLO26 模型的权重上传到 Roboflow 来进行部署。

创建一个新的 Python 文件并添加以下代码：

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.")

在此代码中，将 your-workspace-id、your-project-id、VERSION 编号以及 MODEL_PATH 替换为你 Roboflow 账户、项目和本地训练结果目录的具体值。确保 MODEL_PATH 正确指向包含你已训练的 best.pt 权重文件的目录。

当你运行上述代码时，系统会要求你进行身份验证（通常通过 API 密钥）。之后，你的模型将被上传，并为你的项目创建一个 API 端点。此过程最多可能需要 30 分钟才能完成。

要测试你的模型并查找支持的 SDK 的部署说明，请前往 Roboflow 侧边栏的“Deploy”选项卡。在该页面顶部，会出现一个工具，允许你使用网络摄像头或通过上传图像或视频来测试模型。

Roboflow deployment widget for model inference

上传的模型还可以用作标注助手，根据其训练结果在新图像上建议标注。

Link to this section如何评估 YOLO26 模型#

Roboflow 提供了评估模型性能的功能。了解 性能指标 对于模型迭代至关重要。

上传模型后，通过 Roboflow 仪表板上的模型页面访问模型评估工具。点击“View Detailed Evaluation”。

Initiating a Roboflow model evaluation

此工具会显示一个 混淆矩阵，用以说明模型性能，并提供使用 CLIP 嵌入的交互式向量分析图。这些功能有助于确定模型需要改进的地方。

混淆矩阵弹窗：

A confusion matrix displayed in Roboflow

将鼠标悬停在单元格上可查看数值，点击单元格可查看包含模型预测和真实标注数据的相应图像。

点击“Vector Analysis”查看基于 CLIP 嵌入可视化图像相似性的散点图。越靠近的图像在语义上越相似。点代表图像，颜色从白色（性能良好）到红色（性能较差）渐变。

Roboflow vector analysis plot using CLIP embeddings

向量分析有助于：

  • 识别图像集群。
  • 准确定位模型表现不佳的集群。
  • 理解导致性能较差的图像之间的共同点。

Link to this section学习资源#

Link to this section常见问题解答#

Link to this section如何使用 Roboflow 为 YOLO26 模型标注数据？#

使用 Roboflow Annotate。创建项目，上传图像，并使用标注工具（B 用于 边界框，P 用于多边形）或基于 SAM 的标注助手来加快标注速度。详细步骤可在 上传、转换并标注数据章节 中找到。

Link to this sectionRoboflow 为收集 YOLO26 训练数据提供哪些服务？#

Roboflow 提供 Universe（访问众多 数据集）和 Collect（通过网络摄像头自动收集图像）。这些工具有助于为你的 YOLO26 模型获取必要的 训练数据，并作为我们 数据收集指南 中概述策略的补充。

Link to this section如何使用 Roboflow 管理和分析我的 YOLO26 数据集？#

利用 Roboflow 的数据集搜索、标签管理和 Health Check 功能。搜索功能可通过文本或标签查找图像，而 Health Check 可分析数据集质量（类别平衡、图像大小等），从而在训练前指导改进。详情请参阅 数据集管理章节。

Link to this section如何从 Roboflow 导出我的 YOLO26 数据集？#

在 Roboflow 中创建一个数据集版本，应用所需的预处理和 数据增强，然后点击“Export Dataset”并选择 YOLO26 格式。该过程在 导出数据章节 中有详细说明。这能让你的数据准备好用于 Ultralytics 训练流水线。

Link to this section如何通过 Roboflow 集成和部署 YOLO26 模型？#

使用提供的 Python 脚本将你已训练的 YOLO26 权重上传到 Roboflow。这将创建一个可部署的 API 端点。有关脚本和说明，请参阅 上传自定义权重章节。在我们的文档中探索更多 部署选项。

贡献者
GLglenn-jocher21RAraimbekovm1ONonuralpszr1PDpderrenger1LEleonnil1MAMatthewNoyce1RIRizwanMunawar1BUBurhan-Q1

评论