Roboflow Entegrasyonu
Roboflow, bilgisayarla görü modelleri oluşturmak ve dağıtmak için tasarlanmış bir araç paketidir. Roboflow'u, API'lerini ve SDK'lerini kullanarak geliştirme hattınızın çeşitli aşamalarına entegre edebilir veya görüntü toplama işleminden çıkarıma kadar olan süreci yönetmek için uçtan uca arayüzünü kullanabilirsiniz. Roboflow, veri etiketleme, model eğitimi ve model dağıtımı için işlevler sunarak, Ultralytics araçlarının yanı sıra özel bilgisayarla görü çözümleri geliştirmek için bileşenler sağlar.
Lisanslama
Ultralytics, farklı kullanım durumlarına uyum sağlamak için iki lisanslama seçeneği sunar:
- AGPL-3.0 Lisansı: Bu OSI onaylı açık kaynak lisansı, açık işbirliğini ve bilgi paylaşımını teşvik ederek öğrenciler ve meraklılar için idealdir. Daha fazla ayrıntı için LİSANS dosyasına bakın.
- Kurumsal Lisans: Ticari kullanım için tasarlanan bu lisans, Ultralytics yazılımının ve AI modellerinin ticari ürünlere ve hizmetlere sorunsuz bir şekilde entegre edilmesine olanak tanır. Senaryonuz ticari uygulamaları içeriyorsa, lütfen Ultralytics Lisanslama aracılığıyla iletişime geçin.
Daha fazla detay için Ultralytics Lisanslama sayfasına bakın.
Bu kılavuz, Roboflow'u kullanarak özel bir Ultralytics YOLO11 modelini eğitmek için verilerin nasıl bulunacağını, etiketleneceğini ve düzenleneceğini gösterir.
- Özel bir YOLO11 Modeli Eğitmek için Veri Toplayın
- YOLO11 Formatı için Veri Yükleyin, Dönüştürün ve Etiketleyin
- Modelin Dayanıklılığı İçin Verileri Ön İşleme ve Artırma
- YOLO11 için Veri Kümesi Yönetimi
- Model Eğitimi için 40'tan Fazla Biçimde Veri Dışa Aktarma
- Test ve Dağıtım için Özel YOLO11 Model Ağırlıklarını Yükleyin
- YOLO11 Modelleri Nasıl Değerlendirilir?
- Öğrenme Kaynakları
- Proje Vitrini
- SSS
Özel bir YOLO11 Modeli Eğitmek için Veri Toplayın
Roboflow, Ultralytics YOLO modelleri için veri toplamaya yardımcı olmak üzere iki temel hizmet sunar: Universe ve Collect. Veri toplama stratejileri hakkında daha genel bilgi için Veri Toplama ve Etiketleme Kılavuzumuza bakın.
Roboflow Universe
Roboflow Universe, çok sayıda vizyon veri kümesi içeren çevrimiçi bir depodur.
Bir Roboflow hesabıyla, Universe'de bulunan veri kümelerini dışa aktarabilirsiniz. Bir veri kümesini dışa aktarmak için, ilgili veri kümesi sayfasındaki "Bu Veri Kümesini İndir" düğmesini kullanın.
Ultralytics YOLO11 ile uyumluluk için, dışa aktarma biçimi olarak "YOLO11"i seçin:
Universe ayrıca, Roboflow'a yüklenen herkese açık, ince ayarlı YOLO modellerini toplayan bir sayfaya da sahiptir. Bu, test veya otomatik veri etiketleme için önceden eğitilmiş modelleri keşfetmek için yararlı olabilir.
Roboflow Collect
Görüntüleri kendiniz toplamayı tercih ederseniz, Roboflow Collect, uç cihazlardaki bir web kamerası aracılığıyla otomatik görüntü toplamayı sağlayan açık kaynaklı bir projedir. Toplanacak verileri belirtmek için metin veya görüntü istemleri kullanabilir, böylece vizyon modeliniz için yalnızca gerekli görüntüleri yakalamaya yardımcı olursunuz.
YOLO11 Formatı için Veri Yükleyin, Dönüştürün ve Etiketleyin
Roboflow Annotate, nesne algılama, sınıflandırma ve segmentasyon dahil olmak üzere çeşitli bilgisayar görüşü görevleri için görüntüleri etiketlemeye yönelik çevrimiçi bir araçtır.
Bir Ultralytics YOLO modeli için veri etiketlemek (algılama, örnek segmentasyonu, sınıflandırma, poz tahmini ve OBB'yi destekler) için, Roboflow'da bir proje oluşturarak başlayın.
Ardından, resimlerinizi ve diğer araçlardan mevcut tüm açıklamalarınızı Roboflow'a yükleyin.
Yükleme işleminden sonra, Etiketle sayfasına yönlendirileceksiniz. Yüklenen resim grubunu seçin ve etiketlemeye başlamak için "Etiketlemeye Başla"ya tıklayın.
Açıklama Araçları
- Sınırlayıcı Kutu Açıklaması: Şuna basın:
B
veya kutu simgesini tıklayın. Dikdörtgeni oluşturmak için tıklayın ve sürükleyin. sınırlayıcı kutu. Açılır pencere, açıklama için bir sınıf seçmenizi isteyecektir.
- Çokgen Açıklaması: Şunun için kullanılır: örnek segmentasyonu. Şuna basın:
P
veya çokgen simgesini tıklayın. Çokgeni çizmek için nesnenin etrafındaki noktalara tıklayın.
Etiket Yardımcısı (SAM Entegrasyonu)
Roboflow, etiketlemeyi potansiyel olarak hızlandırmak için bir Segment Anything Model (SAM) tabanlı etiketleme yardımcısı entegre eder.
Etiket yardımcısını kullanmak için kenar çubuğundaki imleç simgesini tıklayın. Projeniz için SAM etkinleştirilecektir.
Bir nesnenin üzerine gelin ve SAM bir açıklama önerebilir. Açıklamayı kabul etmek için tıklayın. Önerilen alanın içine veya dışına tıklayarak açıklamanın özgüllüğünü iyileştirebilirsiniz.
Etiketleme
Kenar çubuğundaki Etiketler panelini kullanarak resimlere etiketler ekleyebilirsiniz. Etiketler konum, kamera kaynağı vb. gibi özellikleri temsil edebilir. Bu etiketler, belirli resimleri aramanıza ve belirli etiketlere sahip resimleri içeren veri kümesi sürümleri oluşturmanıza olanak tanır.
Etiket Yardımı (Model Tabanlı)
Roboflow'da barındırılan Modeller, eğitilmiş YOLO11 modelinizi kullanarak ek açıklamalar öneren otomatik bir ek açıklama aracı olan Etiket Yardımı ile kullanılabilir. Öncelikle, YOLO11 model ağırlıklarınızı Roboflow'a yükleyin (aşağıdaki talimatlara bakın). Ardından, sol kenar çubuğundaki sihirli değnek simgesini tıklayıp modelinizi seçerek Etiket Yardımı'nı etkinleştirin.
Modelinizi seçin ve Etiket Yardımını etkinleştirmek için "Devam Et"e tıklayın:
Yeni resimleri etiketleme için açtığınızda, Etiketleme Yardımı modelinizin tahminlerine göre otomatik olarak etiketler önerebilir.
YOLO11 için Veri Kümesi Yönetimi
Roboflow, bilgisayar görüşü veri kümelerinizi anlamak ve yönetmek için çeşitli araçlar sağlar.
Veri Kümesi Arama
Anlamsal metin açıklamalarına (örneğin, "içinde insan bulunan tüm resimleri bul") veya belirli etiketlere/tag'lere göre resimleri bulmak için veri kümesi aramayı kullanın. Kenar çubuğunda "Veri Kümesi"ne tıklayıp arama çubuğunu ve filtreleri kullanarak bu özelliğe erişin.
Örneğin, insan içeren resimleri aramak:
"Etiketler" seçicisini kullanarak etiketler aracılığıyla aramaları hassaslaştırabilirsiniz:
Sağlık Kontrolü
Eğitime başlamadan önce, veri kümeniz hakkında bilgi edinmek ve potansiyel iyileştirmeleri belirlemek için Roboflow Sağlık Kontrolü'nü kullanın. "Sağlık Kontrolü" kenar çubuğu bağlantısı aracılığıyla erişin. Görüntü boyutları, sınıf dengesi, açıklama ısı haritaları ve daha fazlası hakkında istatistikler sağlar.
Sağlık Kontrolü, sınıf dengesi özelliğinde belirlenen sınıf dengesizliklerini gidermek gibi performansı artırmaya yönelik değişiklikler önerebilir. Veri kümesi sağlığını anlamak, etkili model eğitimi için çok önemlidir.
Modelin Dayanıklılığı İçin Verileri Ön İşleme ve Artırma
Verilerinizi dışa aktarmak için, belirli bir zaman noktasındaki veri kümenizin anlık görüntüsü olan bir veri kümesi sürümü oluşturmanız gerekir. Kenar çubuğunda "Sürümler"e, ardından "Yeni Sürüm Oluştur"a tıklayın. Burada, modelin sağlamlığını potansiyel olarak artırmak için ön işleme adımları ve veri artırmaları uygulayabilirsiniz.
Seçilen her artırma için, bir açılır pencere parlaklık gibi parametrelerini ince ayarlamanıza olanak tanır. Doğru artırma, model genellemesini önemli ölçüde iyileştirebilir; bu, model eğitimi ipuçları kılavuzumuzda tartışılan önemli bir kavramdır.
Model Eğitimi için 40'tan Fazla Biçimde Veri Dışa Aktarma
Veri kümesi sürümünüz oluşturulduktan sonra, model eğitimi için uygun çeşitli biçimlerde dışa aktarabilirsiniz. Sürüm sayfasındaki "Veri Kümesini Dışa Aktar" düğmesini tıklayın.
Ultralytics eğitim ardışık düzenleriyle uyumluluk için "YOLO11" formatını seçin. Artık özel YOLO11 modelinizi eğitmeye hazırsınız. Dışa aktarılan veri kümenizle eğitime başlama hakkında ayrıntılı talimatlar için Ultralytics Eğitim modu belgelerine bakın.
Test ve Dağıtım için Özel YOLO11 Model Ağırlıklarını Yükleyin
Roboflow, dağıtılan modeller için ölçeklenebilir bir API ve NVIDIA Jetson, Luxonis OAK, Raspberry Pi ve GPU tabanlı sistemler gibi cihazlarla uyumlu SDK'lar sunar. Kılavuzlarımızda çeşitli model dağıtım seçeneklerini keşfedin.
Ağırlıklarını basit bir Python betiği kullanarak Roboflow'a yükleyerek YOLO11 modellerini dağıtabilirsiniz.
Yeni bir Python dosyası oluşturun ve aşağıdaki kodu ekleyin:
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.")
Bu kodda, şunu değiştirin: your-workspace-id
, your-project-id
, 'in VERSION
sayısı ve MODEL_PATH
Roboflow hesabınıza, projenize ve yerel eğitim sonuçları dizininize özel değerlerle. Şundan emin olun: MODEL_PATH
eğitilmiş olduğunuz dizini doğru şekilde gösterir best.pt
ağırlıklar dosyası.
Yukarıdaki kodu çalıştırdığınızda, kimlik doğrulamanız (genellikle bir API anahtarı aracılığıyla) istenecektir. Ardından, modeliniz yüklenecek ve projeniz için bir API uç noktası oluşturulacaktır. Bu işlem 30 dakikaya kadar sürebilir.
Modelinizi test etmek ve desteklenen SDK'lar için dağıtım talimatlarını bulmak için Roboflow kenar çubuğundaki "Dağıt" sekmesine gidin. Bu sayfanın üst kısmında, web kameranızı kullanarak veya resim veya video yükleyerek modelinizi test etmenize olanak tanıyan bir araç görüntülenir.
Yüklediğiniz model, eğitimi temel alınarak yeni görüntülerde açıklamalar öneren bir etiketleme asistanı olarak da kullanılabilir.
YOLO11 Modelleri Nasıl Değerlendirilir?
Roboflow, model performansını değerlendirmek için özellikler sağlar. Performans metriklerini anlamak, model yinelemesi için çok önemlidir.
Bir model yükledikten sonra, Roboflow panosundaki model sayfanız aracılığıyla model değerlendirme aracına erişin. "Ayrıntılı Değerlendirmeyi Görüntüle"ye tıklayın.
Bu araç, model performansını gösteren bir karmaşıklık matrisi ve CLIP gömme özelliklerini kullanan etkileşimli bir vektör analizi grafiği görüntüler. Bu özellikler, modelin iyileştirilmesi gereken alanları belirlemeye yardımcı olur.
Karışıklık matrisi açılır penceresi:
Değerleri görmek için hücrelerin üzerine gelin ve model tahminleri ve temel gerçek verilerle karşılık gelen görüntüleri görüntülemek için hücreleri tıklayın.
CLIP gömülerine dayalı görüntü benzerliğini görselleştiren bir dağılım grafiği için "Vektör Analizi"ne tıklayın. Birbirine daha yakın görüntüler semantik olarak benzerdir. Noktalar görüntüleri temsil eder, beyazdan (iyi performans) kırmızıya (kötü performans) doğru renklendirilir.
Vektör Analizi şunlara yardımcı olur:
- Görüntü kümelerini belirleyin.
- Modelin kötü performans gösterdiği kümeleri belirleyin.
- Kötü performansa neden olan görüntüler arasındaki ortak noktaları anlayın.
Öğrenme Kaynakları
Ultralytics YOLO11 ile Roboflow'u kullanma hakkında daha fazla bilgi edinmek için bu kaynakları inceleyin:
- Özel Bir Veri Kümesi Üzerinde YOLO11 Eğitimi (Colab): Verileriniz üzerinde YOLO11 eğitiminde size yol gösteren etkileşimli bir Google Colab not defteri.
- YOLO11 Dokümantasyonu: Ultralytics çerçevesi içinde YOLO11 modellerini eğitme, dışa aktarma ve dağıtma hakkında bilgi edinin.
- Ultralytics Blogu: YOLO11 eğitimi ve en iyi açıklama uygulamaları da dahil olmak üzere bilgisayarla görme üzerine makaleler içerir.
- Ultralytics YouTube Kanalı: Model eğitiminden otomatik etiketlemeye ve dağıtıma kadar bilgisayarla görme konularında derinlemesine video kılavuzları sunar.
Proje Vitrini
Ultralytics YOLO11 ve Roboflow'u birleştiren kullanıcılardan geri bildirim:
SSS
Sıkça Sorulan Sorular
Roboflow kullanarak YOLO11 modelleri için verileri nasıl etiketlerim?
Roboflow Annotate'i kullanın. Bir proje oluşturun, resimleri yükleyin ve açıklama araçlarını kullanın (B
için sınırlayıcı kutular, P
çokgenler için) veya daha hızlı etiketleme için SAM tabanlı etiket yardımcısı. Ayrıntılı adımlar şu adreste mevcuttur: Veri Yükleme, Dönüştürme ve Etiketleme bölümü.
Roboflow, YOLO11 eğitim verileri toplamak için hangi hizmetleri sunmaktadır?
Roboflow, Universe (veri kümelerine erişim) ve Collect (web kamerası aracılığıyla otomatik görüntü toplama) sağlar. Bunlar, Veri Toplama Kılavuzumuzda özetlenen stratejileri tamamlayarak YOLO11 modeliniz için gerekli eğitim verilerini edinmenize yardımcı olabilir.
YOLO11 veri setimi Roboflow kullanarak nasıl yönetebilir ve analiz edebilirim?
Roboflow'un veri kümesi arama, etiketleme ve Sağlık Kontrolü özelliklerini kullanın. Arama, metin veya etiketlere göre görüntüleri bulurken, Sağlık Kontrolü eğitimden önce iyileştirmelere rehberlik etmek için veri kümesi kalitesini (sınıf dengesi, görüntü boyutları vb.) analiz eder. Ayrıntılar için Veri Kümesi Yönetimi bölümüne bakın.
YOLO11 veri setimi Roboflow'dan nasıl aktarırım?
Roboflow'da bir veri kümesi sürümü oluşturun, istediğiniz ön işlemeyi ve artırmaları uygulayın, ardından "Veri Kümesini Dışa Aktar"ı tıklayın ve YOLO11 biçimini seçin. Süreç, Veri Dışa Aktarma bölümünde özetlenmiştir. Bu, verilerinizi Ultralytics eğitim hatlarıyla kullanıma hazırlar.
YOLO11 modellerini Roboflow ile nasıl entegre edebilir ve dağıtabilirim?
Sağlanan Python betiğini kullanarak eğitilmiş YOLO11 ağırlıklarınızı Roboflow'a yükleyin. Bu, dağıtılabilir bir API uç noktası oluşturur. Betik ve talimatlar için Özel Ağırlıkları Yükleme bölümüne bakın. Belgelerimizde daha fazla dağıtım seçeneğini keşfedin.