Optimierung von benutzerdefinierten Vision AI-Operationen

Wir haben uns zum Ziel gesetzt, maschinelles Sehen zugänglich zu machen, und freuen uns, unsere Partnerschaft mit Roboflow als offiziellem Tool für das Datensatzmanagement und die Annotation für YOLOv5 bekannt zu geben.

Das Ziel von Roboflow ist es, Entwicklern zu ermöglichen, bessere Computer-Vision-Modelle zu erstellen, indem der Prozess des Sammelns und Beschriftens Ihrer Daten, des Trainierens Ihres Modells und der Verwendung von Active Learning zur schnelleren Verbesserung von Modellen optimiert wird. Auf diese Weise können Entwickler mehr Zeit für domänenspezifische Probleme aufwenden, anstatt für maschinelles Lernen und Computer-Vision-Infrastruktur.

Roboflow hat kontinuierlich seine Unterstützung für Open-Source-Projekte gezeigt, die unsere Vision teilen. Sehen Sie sich unbedingt ihren Leitfaden zum Trainieren von YOLOv5 auf einem benutzerdefinierten Datensatz an, der im Juni 2020 veröffentlicht wurde.

Ultralytics' Ziel ist es, KI zu vereinfachen, indem es zugängliche Vision AI-Tools für jeden Entwickler erstellt. YOLOv5 ermöglicht es Entwicklern, mit dem Training und der Bereitstellung modernster Vision-Modelle in ihren eigenen Projekten zu beginnen.

Durch eine gemeinsame Vision von einfacher KI nutzen Roboflow und Ultralytics ihre jeweiligen Stärken, um unseren Nutzern mehr Möglichkeiten zu bieten.
Dank dieser neuen Partnerschaft, die das Trainieren von benutzerdefinierten Modellen einfacher denn je macht, gibt es jetzt neue Hilfe am Horizont!

Wir stellen eine neue Partnerschaft vor, die das Trainieren von benutzerdefinierten Modellen vereinfacht

YOLOv5 ist aufgrund seiner Einfachheit und Genauigkeit in realen Anwendungsfällen zu einer der weltweit beliebtesten KIs geworden. Unsere neue Roboflow-Integration sorgt für eine noch nahtlosere YOLOv5-Trainings- und Bereitstellungserfahrung.  

Jetzt können Sie Ihre benutzerdefinierten Datensätze direkt in YOLOv5 zum Trainieren mit Roboflow mithilfe ihres Pip-Pakets beschriften und automatisch exportieren, wobei der Schwerpunkt auf der Ermöglichung von aktivem Lernen liegt. Auf diese Weise können Sie Ihren MLOps-Prozess rationalisieren, indem Sie die Zeit vermeiden, die Sie mit Computer-Vision-Minutien verbringen.
Eliminieren Sie all die unnötige Arbeit mit maschinellem Lernen, um Computer Vision so einfach zu machen wie beispielsweise YOLO.

Wo soll man anfangen?

Wir haben es Ihnen mit unserem neuen YOLOv5 Colab Notebook einfach gemacht, Ihre Modelle auf benutzerdefinierten Datensätzen zu trainieren. Um loszulegen, folgen Sie den nachstehenden Schritten:

1. Öffnen Sie das YOLOv5 Custom Training Colab Notebook
2. pip install roboflow, um mit der Verwendung Ihrer Roboflow-Datensätze zu beginnen
3. Exportieren Sie Ihr Projekt von Roboflow in Ihrem gewünschten Format
4. Ein Code-Snippet für benutzerdefiniertes Training wird generiert
5. Kopieren Sie den Code-Schnipsel von Ihrem Konto und fügen Sie ihn an der entsprechenden Stelle im Notebook ein

Voilà!

‍

Weitere nützliche Informationen finden Sie im folgenden Roboflow-Video-Tutorial.

Eine aufregende Zeit, um im Bereich Computer Vision tätig zu sein  

Die Kombination der neuesten Funktionen von Roboflow mit den Stärken von YOLOv5 ergibt eine unglaublich leistungsstarke MLOps-Lösung. Wir freuen uns über die Möglichkeiten, die Ultralytics und Roboflow durch unsere gemeinsame Vision von einfacher KI eröffnen, und können es kaum erwarten zu sehen, was unsere Benutzer mit unserer neuen Integration entwickeln werden.

Wir freuen uns darauf, von den Durchbrüchen zu hören, die unsere Entwickler-Community erzielen wird!

‍