Roboflow 統合

Roboflowは、コンピュータビジョンモデルの構築とデプロイのために設計されたツール群です。APIやSDKを利用して開発パイプラインの様々な段階でRoboflow 統合したり、エンドツーエンドのインターフェースを利用して画像収集から推論までのプロセスを管理することができます。Roboflow データラベリング、モデルトレーニング、モデルデプロイメントの機能を提供し、Ultralytics ツールと共にカスタムコンピュータービジョンソリューションを開発するためのコンポーネントを提供します。

このガイドでは、Ultralticsのカスタムをトレーニングするためのデータを検索、ラベル付け、整理する方法を説明します。 Ultralytics YOLO11モデルをRoboflow学習するためのデータの見つけ方、ラベルの付け方、整理の仕方を説明します。

• カスタムYOLO11 モデルのトレーニングのためのデータ収集
• YOLO11 フォーマットのデータのアップロード、変換、ラベル付け
• モデルの頑健性を高めるためのデータの前処理と補強
• データセット管理YOLO11
• モデルトレーニング用に40以上のフォーマットでデータをエクスポート
• テストと配備のためのカスタムYOLO11 モデル重みのアップロード
• YOLO11 モデルの評価方法
• 学習リソース
• プロジェクト・ショーケース
• よくあるご質問

カスタムYOLO11 モデルのトレーニングのためのデータ収集

Roboflow 、Ultralytics YOLO モデルのデータ収集を支援するために、主に2つのサービスを提供しています：ユニバースとコレクトです。データ収集戦略に関する一般的な情報については、データ収集とアノテーションガイドをご参照ください。

Roboflow ユニバース

Roboflow Universeは、多数のビジョンデータセットを集めたオンラインリポジトリです。

Roboflow アカウントをお持ちであれば、Universeで公開されているデータセットをエクスポートすることができます。データセットをエクスポートするには、データセットのページにある "Download this Dataset "ボタンを押してください。

Ultralytics 互換性 YOLO11との互換性のため、エクスポート形式としてYOLO11」を選択してください：

Universeには、Roboflowアップロードされた、公開されている微調整済みのYOLO モデルを集約したページもあります。これは、テストや自動データラベリング用に事前にトレーニングされたモデルを調べるのに便利です。

Roboflow

自分で画像を収集したい場合、Roboflow Collectはオープンソースのプロジェクトで、エッジデバイスのウェブカメラを使って自動的に画像を収集することができます。テキストや画像のプロンプトを使用して収集するデータを指定することができ、ビジョンモデルに必要な画像のみをキャプチャするのに役立ちます。

YOLO11 フォーマットのデータのアップロード、変換、ラベル付け

Roboflow Annotateは、オブジェクトの検出、分類、セグメンテーションなど、様々なコンピュータビジョンタスクのために画像にラベルを付けるためのオンラインツールです。

Ultralytics データにラベルを付ける YOLOモデル（検出、インスタンス分割、分類、ポーズ推定、OBBをサポート）用のデータにラベルを付けるには、まずRoboflowプロジェクトを作成します。

次に、画像と既存の注釈をRoboflowアップロードします。

アップロード後、アノテートページが表示されます。アップロードした画像のバッチを選択し、"Start Annotating "をクリックしてラベル付けを開始します。

注釈ツール

• バウンディング・ボックス注釈:プレス B またはボックスアイコンをクリックします。クリックしてドラッグして バウンディングボックス.注釈のクラスを選択するポップアップが表示されます。

• ポリゴン注釈:用途 インスタンス分割.プレス P または多角形のアイコンをクリックします。オブジェクトの周りの点をクリックして多角形を描きます。

ラベルアシスタントSAM 統合）

Roboflow 、セグメント何でもモデル（SAM）ベースのラベルアシスタントを統合し、アノテーションを高速化する可能性がある。

ラベルアシスタントを使用するには、サイドバーのカーソルアイコンをクリックします。プロジェクトでSAM 有効になります。

オブジェクトにカーソルを合わせると、SAM 注釈を提案します。クリックすると、注釈が表示されます。提案された領域の内側または外側をクリックすることで、注釈の具体性を絞り込むことができます。

タグ付け

サイドバーのタグパネルを使って、画像にタグを追加できます。タグは、撮影場所や撮影元などの属性を表すことができます。これらのタグを使用すると、特定の画像を検索したり、特定のタグを持つ画像を含むデータセットのバージョンを生成したりすることができます。

ラベルアシスト（モデルベース）

Roboflow ホスティングされたモデルは、Label Assistで使用することができます。 YOLO11モデルを利用した自動アノテーションツールです。まず、YOLO11 モデルのウェイトをRoboflow アップロードします（下記の手順を参照してください）。次に、左サイドバーの魔法の杖アイコンをクリックしてモデルを選択し、ラベルアシストを起動します。

モデルを選択し、"Continue "をクリックしてLabel Assistを有効にします：

アノテーションのために新しい画像を開くと、ラベルアシストはモデルの予測に基づいて自動的にアノテーションを提案します。

データセット管理YOLO11

Roboflow コンピュータビジョンのデータセットを理解し、管理するためのいくつかのツールを提供します。

データセット検索

データセット検索を使うと、セマンティックテキスト記述（「人物を含むすべての画像を検索」など）や特定のラベル／タグに基づいて画像を検索できます。サイドバーの「データセット」をクリックし、検索バーとフィルタを使用して、この機能にアクセスします。

例えば、人物を含む画像を検索する：

タグ "セレクタでタグを使って検索を絞り込むことができます：

健康チェック

トレーニングの前に、Roboflow Health Checkを使用してデータセットの状態を把握し、改善の可能性を見出してください。サイドバーの「ヘルスチェック」リンクからアクセスしてください。画像サイズ、クラスバランス、アノテーションヒートマップなどの統計情報を提供します。

健全性チェックは、クラスバランス機能で特定されたクラスの不均衡に対処するなど、パフォーマンスを向上させるための変更を提案するかもしれない。データセットの健全性を理解することは、効果的なモデル学習にとって極めて重要です。

モデルの頑健性を高めるためのデータの前処理と補強

データをエクスポートするには、データセットのバージョンを作成する必要があります。これは、特定の時点でのデータセットのスナップショットです。サイドバーの "Versions" をクリックし、次に "Create New Version" をクリックします。ここで、モデルのロバスト性を高める可能性のある前処理ステップやデータ補強を適用することができます。

各選択されたオーグメンテーションについて、ポップアップで明るさなどのパラメータを微調整することができます。適切なオーグメンテーションは、モデルトレーニングのヒントガイドで説明されている重要なコンセプトである、モデルの汎化を大幅に改善することができます。

モデルトレーニング用に40以上のフォーマットでデータをエクスポート

データセット・バージョンが生成されると、モデル学習に適したさまざまなフォーマットでエクスポートできます。バージョン・ページの "Export Dataset "ボタンをクリックしてください。

Ultralytics トレーニングパイプラインとの互換性のためにYOLO11」フォーマットを選択します。これで、カスタム YOLO11モデルをトレーニングする準備ができました。エクスポートしたデータセットでトレーニングを開始する詳細な手順は、Ultralytics Trainモードのドキュメントを参照してください。

テストと配備のためのカスタムYOLO11 モデル重みのアップロード

Roboflow 、NVIDIA Jetson、Luxonis OAK、Raspberry Pi、GPUシステムなどのデバイスと互換性のある、デプロイされたモデルのためのスケーラブルなAPIとSDKを提供します。Roboflowのガイドをご覧ください。

YOLO11 モデルをRoboflow デプロイするには、単純な Pythonスクリプトを使います。

新しいPython ファイルを作成し、以下のコードを追加する：

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 YOLO11 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'
project.version(dataset.version).deploy(
    model_type="yolov8", model_path=MODEL_PATH
)  # Note: Use "yolov8" as model_type for YOLO11 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.")

このコードでは your-workspace-id, your-project-idその VERSION 番号と MODEL_PATH をRoboflow 、プロジェクト、ローカルトレーニング結果ディレクトリに固有の値で設定してください。を確認してください。 MODEL_PATH を含むディレクトリを正しく指します。 best.pt ウェイトファイル。

上記のコードを実行すると、認証を求められます（通常はAPIキーを介して）。その後、あなたのモデルがアップロードされ、あなたのプロジェクト用のAPIエンドポイントが作成されます。このプロセスの完了には最大30分かかることがあります。

Roboflow サイドバーにある "Deploy "タブをクリックすると、モデルをテストしたり、サポートされているSDKのデプロイ手順を確認することができます。このページの上部にウィジェットが表示され、ウェブカメラを使用したり、画像や動画をアップロードしてモデルをテストすることができます。

アップロードされたモデルは、そのトレーニングに基づいて新しい画像に注釈を提案する、ラベリングアシスタントとしても使用できます。

YOLO11 モデルの評価方法

Roboflow モデルのパフォーマンスを評価する機能があります。性能評価指標を理解することは、モデルの反復にとって非常に重要です。

モデルをアップロードした後、Roboflow モデルページからモデル評価ツールにアクセスします。"View Detailed Evaluation" をクリックします。

このツールは、モデルのパフォーマンスを示す混同行列と、CLIPエンベッディングを使用したインタラクティブなベクトル分析プロットを表示します。これらの機能は、モデルの改善領域を特定するのに役立ちます。

混乱マトリックスのポップアップ：

セルにカーソルを合わせると数値が表示され、セルをクリックすると、モデル予測値とグラウンド・トゥルース・データの対応する画像が表示される。

ベクトル分析」をクリックすると、CLIP埋め込みに基づく画像の類似性を視覚化する散布図が表示されます。より近い画像は意味的に似ている。ドットは画像を表し、白（パフォーマンスが良い）から赤（パフォーマンスが悪い）に色分けされている。

ベクトル分析は役に立つ：

• 画像クラスターを識別する。
• モデルのパフォーマンスが低いクラスターを特定する。
• パフォーマンス低下の原因となっている画像の共通点を理解する。

学習リソース

Roboflow Ultralytics YOLO11併用について、以下のリソースをご覧ください：

• カスタムデータセットでYOLO11 トレーニングする (Colab):あなたのデータでYOLO11 トレーニングするためのインタラクティブなGoogle Colabノートブックです。
• YOLO11 ドキュメント:Ultralytics フレームワーク内でのYOLO11 モデルのトレーニング、エクスポート、デプロイについて説明します。
• Ultralytics :YOLO11 トレーニングやアノテーションのベストプラクティスなど、コンピュータビジョンに関する記事を掲載しています。
• Ultralytics YouTubeチャンネル:モデルのトレーニングから自動ラベリング、デプロイメントまで、コンピュータビジョンのトピックに関する詳細なビデオガイドを提供しています。

プロジェクト・ショーケース

Ultralytics YOLO11 Roboflow組み合わせたユーザーからのフィードバック：

よくあるご質問

よくある質問

Roboflow を使ってYOLO11 モデルのデータにラベルを付けるには？

Roboflow Annotateを使用します。プロジェクトを作成し、画像をアップロードし、注釈ツール(B にとって バウンディングボックス, P ポリゴンの場合）、またはSAMラベルアシスタントを使用すると、より迅速にラベル付けを行うことができる。詳しい手順は データのアップロード、変換、ラベル付けセクション.

YOLO11 トレーニングデータを収集するために、Roboflow はどのようなサービスを提供していますか？

Roboflow Universe（多数のデータセットへのアクセス）とCollect（ウェブカメラによる自動画像収集）を提供しています。これらはYOLO11 モデルに必要なトレーニングデータの取得に役立ち、データ収集ガイドに記載されている戦略を補完します。

Roboflow を使って、YOLO11 のデータセットをどのように管理、分析できますか？

Roboflowデータセット検索、タグ付け、ヘルスチェック機能を活用します。検索はテキストやタグから画像を見つけ、ヘルスチェックはデータセットの品質（クラスバランス、画像サイズなど）を分析し、トレーニング前の改善を導きます。詳細はデータセット管理のセクションをご覧ください。

Roboflow からYOLO11 データセットをエクスポートするには？

Roboflowデータセットバージョンを作成し、必要な前処理と補強を施した後、"Export Dataset "をクリックし、YOLO11 フォーマットを選択します。手順はデータのエクスポートセクションに記載されています。これにより、Ultralytics トレーニングパイプラインで使用するためのデータが準備されます。

YOLO11 のモデルをRoboflow と統合し、展開するにはどうすればよいですか？

提供されているPython スクリプトを使って、学習したYOLO11 重みをRoboflow アップロードします。これによりデプロイ可能なAPIエンドポイントが作成されます。スクリプトと手順はカスタム重みのアップロードのセクションを参照してください。さらに詳しいデプロイメントオプションはドキュメントをご覧ください。

📅作成：1年前 ✏️更新しました 2ヶ月前

コメント