Специальное обучение Ultralytics YOLO11 с наборами данных компьютерного зрения

Обучение модели компьютерного зрения, такой как Ultralytics YOLO11, обычно включает в себя сбор изображений для твоего датасета, их аннотирование, подготовку данных и дообучение модели под твои конкретные требования. Хотя пакет Ultralytics для Python делает эти шаги простыми и удобными для пользователя, разработка ИИ для зрения все равно может отнимать много времени.

Это особенно актуально, когда ты работаешь с жестким дедлайном или разрабатываешь прототип. В таких ситуациях наличие инструментов или интеграций, которые упрощают часть процесса — например, оптимизируют подготовку датасетов или автоматизируют повторяющиеся задачи, — может сыграть огромную роль. Сокращая необходимые затраты времени и усилий, эти решения помогают тебе сосредоточиться на создании и доработке модели. Именно это предлагает интеграция с Roboflow.

Интеграция с Roboflow позволяет легко получать доступ к датасетам из Roboflow Universe, большой библиотеки датасетов компьютерного зрения с открытым исходным кодом. Вместо того чтобы тратить часы на сбор и организацию данных, ты можешь быстро найти и использовать существующие датасеты, чтобы ускорить процесс обучения твоего Ultralytics YOLO11. Эта интеграция делает эксперименты и итерации при разработке модели компьютерного зрения намного быстрее и проще.

В этой статье мы углубимся в то, как ты можешь использовать интеграцию с Roboflow для более быстрой разработки моделей. Давай начнем!

Что такое Roboflow Universe?#

Roboflow Universe — это платформа, поддерживаемая Roboflow, компанией, которая специализируется на упрощении разработки компьютерного зрения. Она состоит из более чем 350 миллионов изображений, 500 000 датасетов и 100 000 дообученных моделей для таких задач, как обнаружение объектов, классификация изображений и сегментация. Благодаря вкладу разработчиков и исследователей со всего мира, Roboflow Universe представляет собой центр совместной работы для всех, кто хочет быстро запустить или улучшить свои проекты по компьютерному зрению.

Рис. 1. Примеры наборов данных для обнаружения объектов на Roboflow Universe.

Roboflow Universe включает следующие ключевые функции:

• Инструменты для изучения наборов данных: исследуй, фильтруй и визуализируй наборы данных, чтобы быстро находить ресурсы, соответствующие требованиям твоего проекта.
• Опции экспорта: Экспортируй данные в таких форматах, как COCO, YOLO, TFRecord, CSV и других, в соответствии со своим рабочим процессом.
• Аналитика наборов данных: получай представление о различных наборах данных с помощью инструментов аналитики, которые предоставляют визуализацию распределения меток, дисбаланса классов и качества данных.
• Отслеживание версий: просматривай и получай доступ к различным версиям наборов данных, загруженных участниками, что позволяет тебе отслеживать обновления, сравнивать изменения и выбирать версию, которая лучше всего соответствует потребностям твоего проекта.

Интеграция с Roboflow помогает тебе найти подходящие данные#

Поиск подходящего датасета часто является одной из самых сложных задач при создании модели компьютерного зрения. Создание датасета обычно включает сбор большого количества изображений, проверку их релевантности твоей задаче, а затем их точную разметку.

Этот процесс может отнимать много времени и ресурсов, особенно если ты экспериментируешь с разными подходами в короткие сроки. Даже поиск уже существующих наборов данных может быть затруднительным, поскольку они часто разбросаны по разным платформам, недостаточно документированы или им не хватает необходимых тебе специфических аннотаций.

Например, если ты создаешь приложение компьютерного зрения для обнаружения сорняков на сельскохозяйственных полях, ты можешь захотеть протестировать разные подходы ИИ для зрения, такие как обнаружение объектов по сравнению с сегментацией экземпляров. Это позволит тебе поэкспериментировать и выяснить, какой метод работает лучше всего, прежде чем тратить время и силы на сбор и маркировку собственного набора данных.

Рис. 2. Обнаружение деталей автомобилей с помощью Ultralytics YOLO11.

Используя интеграцию с Roboflow, ты можешь просматривать множество наборов данных, связанных с сельским хозяйством, включая те, которые сосредоточены на обнаружении сорняков, здоровье сельскохозяйственных культур или мониторинге полей. Эти готовые к использованию наборы данных позволят тебе опробовать различные методы и усовершенствовать свою модель без предварительных затрат на создание собственных данных.

Как работает интеграция с Roboflow#

Теперь, когда мы обсудили, как ты можешь использовать интеграцию с Roboflow для поиска подходящих наборов данных, давай посмотрим, как это вписывается в твой рабочий процесс. Как только ты выберешь набор данных в Roboflow Universe, ты сможешь экспортировать или загрузить его в формате YOLO11. После того как твой набор данных будет экспортирован, ты сможешь использовать его для пользовательского обучения YOLO11 с помощью пакета Ultralytics Python.

При загрузке набора данных ты можешь заметить, что Roboflow Universe поддерживает и другие форматы для обучения других моделей. Итак, почему тебе стоит выбрать пользовательское обучение Ultralytics YOLO11?

YOLO11 — это последняя версия моделей Ultralytics YOLO, созданная для обеспечения более быстрого и точного обнаружения объектов. Она использует на 22% меньше параметров (внутренних значений, которые модель корректирует во время обучения для составления прогнозов), чем YOLOv8m, но при этом достигает более высокой средней точности (mAP) на наборе данных COCO. Этот баланс скорости и точности делает YOLO11 универсальным выбором для широкого спектра приложений компьютерного зрения, особенно при пользовательском обучении моделей для выполнения специфических задач.

Вот более подробный обзор того, как работает кастомное обучение Ultralytics YOLO11:

• Подача данных: модель Ultralytics YOLO11 обрабатывает твой датасет, обучаясь обнаруживать и классифицировать объекты по изображениям и их аннотациям.
• Прогнозирование и обратная связь: модель делает прогнозы относительно объектов на изображениях и сравнивает их с правильными ответами, предоставленными в наборе данных.
• Отслеживание производительности: метрики, такие как точность (правильные обнаружения), полнота (пропущенные обнаружения) и потери (ошибки прогнозирования), отслеживаются для оценки прогресса.
• Итеративное обучение: модель корректирует свои параметры в течение нескольких раундов (эпох) для улучшения точности обнаружения и минимизации ошибок.
• Финальный результат модели: после обучения оптимизированная модель сохраняется и готова к развертыванию.

Другие интеграции, ориентированные на разработку компьютерного зрения#

Изучая интеграцию с Roboflow, ты заметишь и другие интеграции, упомянутые в документации Ultralytics. Мы поддерживаем различные интеграции, относящиеся к разным этапам разработки компьютерного зрения.

Это сделано для того, чтобы предоставить нашему сообществу широкий выбор опций, чтобы ты мог выбрать то, что лучше всего подходит для твоего конкретного рабочего процесса.

Рис. 3. Обзор интеграций, поддерживаемых Ultralytics.

Помимо датасетов, другие поддерживаемые Ultralytics интеграции фокусируются на различных частях процесса компьютерного зрения, таких как обучение, развертывание и оптимизация. Вот несколько примеров других поддерживаемых нами интеграций:

• Интеграции для обучения: такие интеграции, как Amazon SageMaker и Paperspace Gradient, оптимизируют рабочие процессы обучения, предлагая облачные платформы для эффективной разработки и тестирования моделей.
• Интеграции для отслеживания рабочих процессов и экспериментов: ClearML, MLflow и Weights & Biases (W&B) помогают автоматизировать рабочие процессы, отслеживать эксперименты и улучшать сотрудничество, что упрощает управление проектами машинного обучения.
• Интеграции для оптимизации и развертывания: CoreML, ONNX и OpenVINO обеспечивают оптимизированное развертывание на различных устройствах и фреймворках, гарантируя эффективную производительность на таких платформах, как оборудование Apple и процессоры Intel.
• Интеграции для мониторинга и визуализации: TensorBoard и Weights & Biases предоставляют инструменты для визуализации прогресса обучения и мониторинга производительности, давая подробное представление для улучшения моделей.

Приложения Ultralytics YOLO11 и роль интеграций#

Интеграции, поддерживающие разработку компьютерного зрения, в сочетании с надежными возможностями Ultralytics YOLO11 облегчают решение реальных задач. Рассмотри такие инновации, как computer vision in manufacturing, где искусственный интеллект зрения используется для обнаружения дефектов на производственной линии — например, царапин на металлических деталях или отсутствующих компонентов. Сбор правильных данных для таких задач часто бывает медленным и сложным, требуя доступа к специализированным средам.

Обычно это включает установку камер или датчиков вдоль производственных линий для захвата изображений продуктов. Эти изображения должны быть получены в больших объемах, часто при постоянном освещении и углах, чтобы обеспечить четкость и однородность.

После получения изображения должны быть тщательно аннотированы точными метками для каждого типа дефекта, таких как царапины, вмятины или отсутствующие компоненты. Этот процесс требует значительного времени и ресурсов, а также опыта, чтобы убедиться, что набор данных точно отражает изменчивость реального мира. Такие факторы, как разные размеры дефектов, формы и материалы, должны быть учтены для создания надежного и качественного набора данных.

Интеграции, предоставляющие готовые датасеты, облегчают такие задачи, как промышленный контроль качества, а благодаря возможностям обнаружения в реальном времени от Ultralytics YOLO11 производители могут контролировать производственные линии, мгновенно выявлять дефекты и повышать эффективность.

Рис. 4. Пример использования Ultralytics YOLO11 для обнаружения и подсчета производимых банок.

Помимо производства, интеграции, связанные с датасетами, могут использоваться во многих других отраслях. Объединив скорость и точность Ultralytics YOLO11 с легкодоступными датасетами, компании могут быстро разрабатывать и развертывать решения, адаптированные под их конкретные нужды. Возьмем, к примеру, здравоохранение — интеграции датасетов могут помочь в разработке решений для анализа медицинских изображений с целью выявления аномалий, таких как опухоли. Аналогичным образом, в автономном вождении такие интеграции могут помочь с идентификацией транспортных средств, пешеходов и дорожных знаков для повышения безопасности.

Основные выводы#

Поиск подходящего набора данных часто является одной из самых трудоемких частей создания модели компьютерного зрения. Однако интеграция с Roboflow упрощает поиск лучшего набора данных для пользовательского обучения твоих моделей Ultralytics YOLO, даже если ты новичок в компьютерном зрении.

Благодаря доступу к огромной коллекции наборов данных для задач компьютерного зрения, таких как обнаружение объектов, классификация изображений или сегментация экземпляров, Roboflow Universe избавляет от хлопот в процессе поиска данных. Это помогает тебе быстро начать работу и сосредоточиться на создании своей модели, а не тратить время на сбор и организацию данных. Такой оптимизированный подход дает разработчикам возможность создавать прототипы, итерировать и развивать решения компьютерного зрения более эффективно.

Чтобы узнать больше, загляни в наш репозиторий на GitHub и пообщайся с нашим сообществом. Изучай инновации в таких сферах, как ИИ в беспилотных автомобилях и компьютерное зрение в сельском хозяйстве, на наших страницах решений. 🚀