Обучение Ultralytics YOLO11 на пользовательских наборах данных компьютерного зрения

Обучение модели компьютерного зрения, например Ultralytics YOLO11, обычно включает сбор изображений для датасета, их аннотирование, подготовку данных и дообучение модели под твои задачи. Хотя пакет Ultralytics для Python делает эти этапы простыми и удобными, разработка ИИ для компьютерного зрения всё равно может занять много времени.

Это особенно важно, когда сроки поджимают или нужно разработать прототип. В таких ситуациях инструменты или интеграции, упрощающие отдельные этапы — например, подготовку набора данных или автоматизацию повторяющихся задач, — могут значительно помочь. Сокращая необходимые затраты времени и усилий, такие решения позволяют 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 открытых датасетов для компьютерного зрения. Вместо того чтобы часами собирать и систематизировать данные, ты можешь быстро найти готовые датасеты и использовать их, чтобы начать обучение Ultralytics YOLO11. Эта интеграция значительно ускоряет и упрощает эксперименты и итеративную разработку моделей компьютерного зрения.

В этой статье мы подробно расскажем, как ускорить разработку моделей с помощью интеграции с Roboflow.

Что такое Roboflow Universe?#

Roboflow Universe — это платформа, которую поддерживает компания Roboflow, стремящаяся упростить разработку систем компьютерного зрения. На платформе собрано более 350 миллионов изображений, 500 000 наборов данных и 100 000 дообученных моделей для таких задач, как обнаружение объектов, сегментация и классификация изображений. Благодаря вкладу разработчиков и исследователей со всего мира Roboflow Universe стала площадкой для совместной работы всех, кто хочет быстро начать или улучшить свои проекты в области компьютерного зрения.

Рис. 1. Примеры датасетов для обнаружения объектов в Roboflow Universe.

Roboflow Universe включает следующие ключевые возможности:

• Инструменты для изучения датасетов: изучай, фильтруй и визуализируй датасеты, чтобы быстро находить ресурсы, соответствующие требованиям твоего проекта.
• Варианты экспорта: Экспортируй данные в форматах COCO, YOLO, TFRecord, CSV и других, подходящих для твоего рабочего процесса.
• Аналитика датасетов: получай полезные сведения о различных датасетах с помощью инструментов аналитики, которые визуализируют распределение меток, дисбаланс классов и качество датасета.
• Отслеживание версий: просматривай и открывай разные версии датасетов, загруженные участниками, чтобы отслеживать обновления, сравнивать изменения и выбирать версию, которая лучше всего подходит для твоих задач.

Интеграция с Roboflow помогает найти подходящие данные#

Поиск подходящего датасета часто становится одной из самых сложных задач при создании модели компьютерного зрения. Создание датасета обычно включает сбор большого количества изображений, проверку их соответствия задаче и точную разметку.

Этот процесс может отнимать много времени и ресурсов, особенно если за короткий срок нужно испытать разные подходы. Найти готовые датасеты тоже бывает непросто: они часто разбросаны по разным платформам, плохо документированы или не содержат нужных аннотаций.

Например, если ты разрабатываешь приложение для компьютерного зрения, которое обнаруживает сорняки на сельскохозяйственных полях, тебе может понадобиться сравнить разные подходы в области ИИ для компьютерного зрения — например, обнаружение объектов и сегментацию экземпляров. Это позволит поэкспериментировать и определить наиболее подходящий метод, прежде чем тратить время и силы на сбор и разметку собственного датасета.

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

С помощью интеграции с Roboflow ты можешь просматривать самые разные датасеты, связанные с сельским хозяйством, в том числе для обнаружения сорняков, оценки здоровья посевов и мониторинга полей. Эти готовые датасеты позволяют опробовать разные методы и доработать модель, не тратя время на создание собственных данных.

Как работает интеграция с Roboflow#

Теперь, когда мы обсудили, как с помощью интеграции с Roboflow находить подходящие датасеты, давай посмотрим, как она вписывается в рабочий процесс. Выбрав датасет в Roboflow Universe, ты можешь экспортировать или скачать его в формате YOLO11. После экспорта датасета используй его для обучения собственной модели YOLO11 с помощью пакета Ultralytics для Python.

При скачивании датасета ты можешь заметить, что Roboflow Universe поддерживает и другие форматы для обучения различных моделей. Почему же стоит выбрать обучение Ultralytics YOLO11 на собственных данных?

На момент написания статьи YOLO11 была последней версией моделей Ultralytics YOLO (с тех пор её сменила Ultralytics YOLO26) и была создана для более быстрого и точного обнаружения объектов. В YOLO11m на 22% меньше параметров (внутренних значений, которые модель корректирует во время обучения для построения предсказаний), чем в YOLOv8m, но при этом выше средняя точность (mAP) на наборе данных COCO. Благодаря такому балансу скорости и точности YOLO11 подходит для широкого спектра приложений компьютерного зрения, особенно если дообучать модель под конкретные задачи.

Подробнее о том, как работает обучение Ultralytics YOLO11 на собственных данных:

• Подача данных: модель Ultralytics YOLO11 обрабатывает датасет и учится обнаруживать и классифицировать объекты на изображениях, используя их аннотации.
• Предсказания и обратная связь: модель предсказывает, какие объекты изображены, и сравнивает предсказания с правильными ответами из датасета.
• Отслеживание производительности: Для оценки прогресса отслеживаются такие метрики, как точность (доля правильных обнаружений), полнота (доля найденных объектов) и потери (ошибки предсказаний).
• Итеративное обучение: модель корректирует параметры в ходе нескольких циклов (эпох), чтобы повысить точность обнаружения и минимизировать ошибки.
• Итоговая модель: после обучения оптимизированная модель сохраняется и готова к развертыванию.

Другие интеграции для разработки решений в области компьютерного зрения#

Изучая интеграцию с Roboflow, ты заметишь, что в документации Ultralytics упоминаются и другие интеграции. Мы поддерживаем множество интеграций для разных этапов разработки решений в области компьютерного зрения.

Так мы предоставляем нашему сообществу разные варианты, чтобы ты мог выбрать подходящий для своего рабочего процесса.

Рис. 3. Обзор интеграций, поддерживаемых Ultralytics.

Помимо наборов данных, другие интеграции, поддерживаемые Ultralytics, предназначены для разных этапов работы с компьютерным зрением, таких как обучение, развертывание и оптимизация. Вот несколько примеров поддерживаемых интеграций:

• Интеграции для обучения: Такие интеграции, как Amazon SageMaker и Paperspace Gradient, упрощают процессы обучения благодаря облачным платформам для эффективной разработки и тестирования моделей.
• Интеграции для рабочих процессов и отслеживания экспериментов: ClearML, MLflow и Weights & Biases (W&B) помогают автоматизировать рабочие процессы, отслеживать эксперименты и улучшать совместную работу, упрощая управление проектами машинного обучения.
• Интеграции для оптимизации и развертывания: CoreML, ONNX и OpenVINO обеспечивают оптимизированное развертывание на разных устройствах и во фреймворках, поддерживая эффективную работу на таких платформах, как оборудование Apple и процессоры Intel.
• Интеграции для мониторинга и визуализации: TensorBoard и Weights & Biases предоставляют инструменты для визуализации хода обучения и мониторинга производительности, помогая получать подробные сведения для доработки моделей.

Применение Ultralytics YOLO11 и роль интеграций#

Интеграции, поддерживающие разработку систем компьютерного зрения, в сочетании с надежными возможностями Ultralytics YOLO11 упрощают решение реальных задач. Рассмотрим инновации, например компьютерное зрение в производстве, где зрительный ИИ используется для обнаружения дефектов на производственной линии — таких как царапины на металлических деталях или отсутствующие компоненты. Сбор подходящих данных для таких задач часто занимает много времени и сопряжен с трудностями, поскольку требует доступа к специализированным условиям.

Обычно для этого устанавливают камеры или датчики вдоль производственных линий, чтобы получать изображения продукции. Такие изображения нужно собирать в большом количестве, часто при постоянном освещении и с одинаковых ракурсов, чтобы обеспечить четкость и единообразие.

После получения изображений их необходимо тщательно аннотировать, точно указывая каждый тип дефекта, например царапины, вмятины или отсутствующие компоненты. Этот процесс требует значительного времени и ресурсов, а также специальных знаний, чтобы набор данных точно отражал разнообразие реальных условий. При создании надежного и устойчивого набора данных необходимо учитывать такие факторы, как размер и форма дефектов, а также материалы.

Интеграции, предоставляющие готовые наборы данных, упрощают такие задачи, как промышленный контроль качества. А благодаря возможностям обнаружения объектов в реальном времени у Ultralytics YOLO11 производители могут следить за производственными линиями, мгновенно выявлять дефекты и повышать эффективность.

Рис. 4. Пример использования Ultralytics YOLO11 для обнаружения и подсчета банок в процессе производства.

Помимо производства, интеграции, связанные с наборами данных, можно применять во многих других отраслях. Сочетая скорость и точность Ultralytics YOLO11 с легкодоступными наборами данных, компании могут быстро разрабатывать и внедрять решения, отвечающие их конкретным потребностям. Например, в здравоохранении интеграции наборов данных помогают создавать решения для анализа медицинских изображений и выявления аномалий, таких как опухоли. Аналогичным образом, в автономном вождении такие интеграции помогают распознавать автомобили, пешеходов и дорожные знаки, повышая безопасность.

Главные выводы#

Поиск подходящего набора данных часто занимает больше всего времени при создании модели компьютерного зрения. Однако интеграция Roboflow упрощает поиск оптимального набора данных для дообучения собственных моделей Ultralytics YOLO, даже если ты только начинаешь работать с компьютерным зрением.

Roboflow Universe предоставляет доступ к обширной коллекции наборов данных для задач компьютерного зрения, таких как обнаружение объектов, классификация изображений и сегментация экземпляров, избавляя от необходимости тратить время на поиск данных. Сервис помогает быстро начать работу и сосредоточиться на создании модели, а не на сборе и систематизации данных. Благодаря такому упрощённому подходу разработчики могут эффективнее создавать прототипы, вносить итеративные улучшения и разрабатывать решения на основе компьютерного зрения.

Чтобы узнать больше, посети наш репозиторий GitHub и присоединяйся к нашему сообществу. Изучи инновации в таких областях, как ИИ в беспилотных автомобилях и компьютерное зрение в сельском хозяйстве, на страницах наших решений.