Individuelles Training Ultralytics YOLO11 mit Computer-Vision-Datensätzen

Das Training eines Computer Vision Modells wie Ultralytics YOLO11 umfasst in der Regel das Sammeln von Bildern für deinen Datensatz, das Beschriften der Bilder, die Aufbereitung der Daten und die Feinabstimmung des Modells, um deine spezifischen Anforderungen zu erfüllen. Das PaketUltralytics Python macht diese Schritte zwar einfach und benutzerfreundlich, aber die Entwicklung von Vision AI kann trotzdem zeitaufwändig sein.

Das gilt besonders, wenn du unter Zeitdruck arbeitest oder einen Prototyp entwickelst. In solchen Situationen können Tools oder Integrationen, die Teile des Prozesses vereinfachen - wie z. B. die Rationalisierung der Datensatzvorbereitung oder die Automatisierung sich wiederholender Aufgaben - einen großen Unterschied ausmachen. Durch die Reduzierung des Zeit- und Arbeitsaufwands helfen dir diese Lösungen, dich auf die Erstellung und Verfeinerung deines Modells zu konzentrieren. Genau das bietet die Integration von Roboflow .

Mit der Roboflow Integration kannst du ganz einfach auf Datensätze aus Roboflow Universe zugreifen, einer großen Bibliothek mit Open-Source-Computer-Vision-Datensätzen. Anstatt Stunden mit dem Sammeln und Organisieren von Daten zu verbringen, kannst du schnell vorhandene Datensätze finden und verwenden, um deinen YOLO11 Trainingsprozess zu starten. Diese Integration macht es viel schneller und einfacher, zu experimentieren und die Entwicklung von Computer Vision Modellen zu wiederholen.

In diesem Artikel zeigen wir dir, wie du die Integration von Roboflow für eine schnellere Modellentwicklung nutzen kannst. Los geht's!

Was ist Roboflow Universe?

Roboflow Universe ist eine Plattform, die von Roboflow gepflegt wird, einem Unternehmen, das sich auf die Vereinfachung der Entwicklung von Computer Vision konzentriert. Sie besteht aus über 350 Millionen Bildern, 500.000 Datensätzen und 100.000 fein abgestimmten Modellen für Aufgaben wie Objekterkennung, Bildklassifizierung und Segmentierung. Mit Beiträgen von Entwicklern und Forschern aus der ganzen Welt ist Roboflow Universe ein kollaboratives Zentrum für alle, die ihre Bildverarbeitungsprojekte starten oder verbessern wollen.

‍

Roboflow Universe umfasst die folgenden Hauptmerkmale:

• Tools zum Erkunden von Datensätzen: Erkunde, filtere und visualisiere Datensätze, um schnell die Ressourcen zu finden, die deinen Projektanforderungen entsprechen.
• Exportoptionen: Exportiere Daten in Formate wie COCO, YOLO, TFRecord, CSV und mehr, um sie an deinen Arbeitsablauf anzupassen.
• Datensatz-Analyse: Gewinnen Sie Einblicke in verschiedene Datensätze mit Analysewerkzeugen, die die Verteilung der Labels, Klassenungleichgewichte und die Qualität der Datensätze visualisieren. 
• Versionsverfolgung: Du kannst die verschiedenen Versionen der von den Beteiligten hochgeladenen Datensätze anzeigen und darauf zugreifen. So kannst du Aktualisierungen nachverfolgen, Änderungen vergleichen und die Version auswählen, die am besten zu deinen Projektanforderungen passt. 

Die Roboflow Integration hilft dir, die richtigen Daten zu finden

Den richtigen Datensatz zu finden, ist oft eine der größten Herausforderungen bei der Erstellung eines Computer Vision Modells. Um einen Datensatz zu erstellen, musst du in der Regel große Mengen an Bildern sammeln, sicherstellen, dass sie für deine Aufgabe relevant sind, und sie dann genau beschriften. 

Dieser Prozess kann viel Zeit und Ressourcen in Anspruch nehmen, besonders wenn du in kurzer Zeit mit verschiedenen Ansätzen experimentierst. Auch die Suche nach bereits existierenden Datensätzen kann schwierig sein, da sie oft über verschiedene Plattformen verstreut sind, nicht richtig dokumentiert sind oder die spezifischen Anmerkungen fehlen, die du brauchst.

Wenn du zum Beispiel eine Bildverarbeitungsanwendung entwickelst, um Unkraut auf landwirtschaftlichen Feldern zu erkennen, möchtest du vielleicht verschiedene Bildverarbeitungsansätze testen, z. B. Objekterkennung oder Instanzsegmentierung. So kannst du experimentieren und herausfinden, welche Methode am besten funktioniert, bevor du Zeit und Mühe in das Sammeln und Beschriften deines eigenen Datensatzes investierst.

‍

Mit der Roboflow Integration kannst du eine Vielzahl von landwirtschaftlichen Datensätzen durchsuchen, z. B. zur Unkrauterkennung, Pflanzengesundheit oder Feldüberwachung. Mit diesen gebrauchsfertigen Datensätzen kannst du verschiedene Techniken ausprobieren und dein Modell verfeinern, ohne dass du deine eigenen Daten erstellen musst. 

So funktioniert die Roboflow Integration

Nachdem wir nun besprochen haben, wie du die Roboflow Integration nutzen kannst, um die richtigen Datensätze zu finden, wollen wir uns ansehen, wie sie in deinen Arbeitsablauf passt. Wenn du einen Datensatz aus Roboflow Universe ausgewählt hast, kannst du ihn im Format YOLO11 exportieren oder herunterladen. Nachdem du deinen Datensatz exportiert hast, kannst du ihn verwenden, um YOLO11 mit dem Ultralytics Python Paket zu trainieren. 

Wenn du deinen Datensatz herunterlädst, wirst du vielleicht feststellen, dass Roboflow Universe auch andere Formate für das Training verschiedener Modelle unterstützt. Warum solltest du dich also dafür entscheiden, Ultralytics YOLO11 individuell zu trainieren? 

YOLO11 ist die neueste Version der Ultralytics YOLO Modelle und wurde für eine schnellere und genauere Objekterkennung entwickelt. Es verwendet 22 % weniger Parameter (die internen Werte, die ein Modell während des Trainings anpasst, um Vorhersagen zu treffen) als YOLOv8m und erreicht dennoch eine höhere durchschnittliche Genauigkeit (mAP) auf dem COCO-Datensatz. Diese Ausgewogenheit von Geschwindigkeit und Präzision macht YOLO11 zu einer vielseitigen Wahl für eine Vielzahl von Computer-Vision-Anwendungen, insbesondere wenn es darum geht, Modelle für spezifische Aufgaben zu trainieren.

Hier ist ein genauerer Blick darauf, wie die benutzerdefinierte Schulung YOLO11 funktioniert:

• Datenzufuhr: Das Modell YOLO11 verarbeitet deinen Datensatz und lernt, Objekte aus den Bildern und ihren Anmerkungen zu erkennen und zu klassifizieren.
• Vorhersage und Rückmeldung: Das Modell macht Vorhersagen über Objekte in den Bildern und vergleicht sie mit den richtigen Antworten aus dem Datensatz.
• Leistungsüberwachung: Metriken wie Präzision (richtige Erkennungen), Recall (verpasste Erkennungen) und Loss (Vorhersagefehler) werden überwacht, um den Fortschritt zu messen.
• Iteratives Lernen: Das Modell passt seine Parameter über mehrere Runden (Epochen) an, um die Erkennungsgenauigkeit zu verbessern und Fehler zu minimieren.
• Endgültige Modellausgabe: Nach dem Training wird das optimierte Modell gespeichert und ist bereit für den Einsatz.

Andere Integrationen mit Schwerpunkt auf der Entwicklung von Computer Vision

Wenn du dich mit der Integration von Roboflow beschäftigst, wirst du feststellen, dass in der Dokumentation vonUltralytics weitere Integrationen erwähnt werden. Wir unterstützen eine Vielzahl von Integrationen, die sich auf verschiedene Phasen der Entwicklung von Computer Vision beziehen. 

Damit wollen wir unserer Community eine Reihe von Optionen bieten, damit du das auswählen kannst, was für deinen speziellen Arbeitsablauf am besten geeignet ist.

‍

Neben den Datensätzen gibt es weitere von Ultralytics unterstützte Integrationen, die sich auf verschiedene Teile des Computer Vision Prozesses konzentrieren, wie z.B. Training, Einsatz und Optimierung. Hier sind ein paar Beispiele für andere Integrationen, die wir unterstützen:

• Schulungsintegrationen: Integrationen wie Amazon SageMaker und Paperspace Gradient rationalisieren Schulungsworkflows, indem sie cloudbasierte Plattformen für effiziente Modellentwicklung und -tests bieten.
• Integrationen für Workflows und die Verfolgung von Experimenten: ClearML MLFlow und Weights & Biases (W&B) helfen dabei, Arbeitsabläufe zu automatisieren, Experimente zu verfolgen und die Zusammenarbeit zu verbessern, um die Verwaltung von Machine Learning-Projekten zu erleichtern.
• Optimierungs- und Einsatzintegrationen: CoreML, ONNX und OpenVINO ermöglichen eine optimierte Bereitstellung auf verschiedenen Geräten und Frameworks und sorgen für eine effiziente Leistung auf Plattformen wie Apple Hardware und Intel CPUs.
• Integrationen zur Überwachung und Visualisierung: TensorBoard und Weights & Biases bieten Werkzeuge zur Visualisierung des Trainingsfortschritts und zur Überwachung der Leistung, die detaillierte Einblicke zur Verbesserung der Modelle liefern.

YOLO11 Anwendungen und die Rolle von Integrationen

Integrationen, die die Entwicklung von Computer Vision unterstützen, in Kombination mit den zuverlässigen Fähigkeiten von YOLO11 machen es einfacher, Herausforderungen in der realen Welt zu lösen. Man denke nur an Innovationen wie Computer Vision in der Fertigung, wo KI eingesetzt wird, um Defekte in einer Produktionslinie zu erkennen - wie Kratzer auf Metallteilen oder fehlende Komponenten. Das Sammeln der richtigen Daten für solche Aufgaben ist oft langsam und schwierig und erfordert den Zugang zu speziellen Umgebungen. 

In der Regel werden Kameras oder Sensoren entlang der Produktionslinien aufgestellt, um Bilder von den Produkten aufzunehmen. Diese Bilder müssen in großen Mengen und oft unter gleichbleibenden Lichtverhältnissen und Winkeln aufgenommen werden, um Klarheit und Einheitlichkeit zu gewährleisten. 

Nach der Aufnahme müssen die Bilder sorgfältig mit präzisen Beschriftungen für jede Art von Defekt, wie Kratzer, Dellen oder fehlende Komponenten, versehen werden. Dieser Prozess erfordert viel Zeit und Ressourcen sowie Fachwissen, um sicherzustellen, dass der Datensatz die Variabilität der realen Welt genau widerspiegelt. Faktoren wie unterschiedliche Fehlergrößen, Formen und Materialien müssen berücksichtigt werden, um einen robusten und zuverlässigen Datensatz zu erstellen.

Integrationen, die fertige Datensätze bereitstellen, erleichtern Aufgaben wie die industrielle Qualitätskontrolle, und mit den Echtzeit-Erkennungsfunktionen von YOLO11können Hersteller Produktionslinien überwachen, Fehler sofort erkennen und die Effizienz verbessern.

‍

Neben dem verarbeitenden Gewerbe können datenbezogene Integrationen auch in vielen anderen Branchen genutzt werden. Indem sie die Geschwindigkeit und Genauigkeit von YOLO11mit leicht zugänglichen Datensätzen kombinieren, können Unternehmen schnell Lösungen entwickeln und einsetzen, die auf ihre spezifischen Bedürfnisse zugeschnitten sind. Beispiel Gesundheitswesen: Die Integration von Datensätzen kann dabei helfen, Lösungen für die Analyse von medizinischen Bildern zu entwickeln, um Anomalien wie Tumore zu erkennen. Auch beim autonomen Fahren können solche Integrationen helfen, Fahrzeuge, Fußgänger und Verkehrsschilder zu erkennen, um die Sicherheit zu erhöhen.

Die wichtigsten Erkenntnisse

Die Suche nach dem richtigen Datensatz ist oft einer der zeitaufwändigsten Teile der Erstellung eines Computer Vision Modells. Die Integration von Roboflow macht es jedoch einfacher, den besten Datensatz für das individuelle Training deiner Ultralytics YOLO Modelle zu finden, auch wenn du noch keine Erfahrung mit Computer Vision hast. 

Mit dem Zugang zu einer riesigen Sammlung von Datensätzen für Computer-Vision-Aufgaben wie Objekterkennung, Bildklassifizierung oder Instanzsegmentierung nimmt Roboflow Universe dir die Mühe der Datenerfassung ab. So kannst du schnell loslegen und dich auf die Entwicklung deines Modells konzentrieren, anstatt Zeit mit dem Sammeln und Organisieren von Daten zu verbringen. Mit diesem schlanken Ansatz können Entwickler/innen Prototypen erstellen, iterieren und Computer-Vision-Lösungen effizienter entwickeln.

Um mehr zu erfahren, besuche unser GitHub-Repository und beteilige dich an unserer Community. Entdecke Innovationen in Bereichen wie KI in selbstfahrenden Autos und Computer Vision in der Landwirtschaft auf unseren Lösungsseiten. 🚀