Roboflow数据集
您现在可以使用Roboflow来组织、标注、准备、版本化和托管您的数据集，以训练YOLOv5 🚀 模型。如果您将工作区设为公开，Roboflow可以免费与YOLOv5一起使用。
许可
Ultralytics提供两种许可选项：
- AGPL-3.0许可证，一个OSI批准的开源许可证，非常适合学生和爱好者。
- 企业许可证，适用于希望将我们的AI模型整合到其产品和服务中的企业。
更多详情请参见Ultralytics许可。
上传
您可以通过网页界面、REST API或Python将数据上传到Roboflow。
标注
将数据上传到Roboflow后，您可以标注您的数据并审查之前的标注。
版本控制
您可以使用不同的预处理和离线增强选项创建数据集的不同版本。YOLOv5原生支持在线增强，因此在叠加Roboflow的离线增强时要慎重。
导出数据
您可以将数据以YOLOv5格式下载，以便快速开始训练。
from roboflow import Roboflow
rf = Roboflow(api_key="YOUR API KEY HERE")
project = rf.workspace().project("YOUR PROJECT")
dataset = project.version("YOUR VERSION").download("yolov5")
自定义训练
我们发布了一个自定义训练教程，展示了上述所有功能。您可以在此处访问代码：
主动学习
现实世界是混乱的，您的模型不可避免地会遇到您的数据集未预见的情况。使用主动学习是迭代改进您的数据集和模型的重要策略。通过Roboflow和YOLOv5的集成，您可以快速通过经过实战检验的机器学习管道，改进您的模型部署。
支持的环境
Ultralytics提供了一系列即用型环境，每个环境都预装了必要的依赖项，如CUDA、CUDNN、Python和PyTorch，以启动您的项目。
- 免费GPU笔记本:
- Google Cloud: GCP快速入门指南
- Amazon: AWS快速入门指南
- Azure: AzureML快速入门指南
- Docker: Docker快速入门指南
项目状态
此徽章表示所有YOLOv5 GitHub Actions持续集成（CI）测试均已成功通过。这些CI测试严格检查YOLOv5在多个关键方面的功能和性能：训练、验证、推理、导出和基准测试。它们确保在macOS、Windows和Ubuntu上的一致性和可靠操作，每24小时进行一次测试，并在每次新提交时进行测试。
常见问题
如何将数据上传到Roboflow以训练YOLOv5模型？
您可以通过三种不同的方式将数据上传到Roboflow：通过网站、REST API或Python。这些选项根据您的技术偏好或项目需求提供灵活性。上传数据后，您可以组织、标注和版本化数据，以准备使用Ultralytics YOLOv5模型进行训练。更多详情，请访问文档的上传部分。
使用Roboflow进行数据标注和版本化有哪些优势？
Roboflow提供了一个全面的数据组织、标注和版本化平台，这对于高效的机器学习工作流程至关重要。通过将Roboflow与YOLOv5结合使用，您可以简化数据集准备过程，确保数据准确标注并一致版本化。该平台还支持各种预处理和离线增强选项，以提高数据集的质量。要深入了解这些功能，请参阅文档的标注和版本化部分。
如何将我的数据集从Roboflow导出为YOLOv5格式？
将数据集从Roboflow导出为YOLOv5格式非常简单。您可以使用文档中提供的Python代码片段：
from roboflow import Roboflow
rf = Roboflow(api_key="YOUR API KEY HERE")
project = rf.workspace().project("YOUR PROJECT")
dataset = project.version("YOUR VERSION").download("yolov5")
此代码将下载与YOLOv5兼容格式的数据集，使您能够快速开始训练模型。更多详情，请参阅导出数据部分。
什么是主动学习，它如何与YOLOv5和Roboflow一起工作？
主动学习是一种机器学习策略，通过智能选择最具信息量的数据点进行标注来迭代改进模型。通过Roboflow和YOLOv5的集成，您可以实施主动学习以持续提升模型性能。这包括部署模型、捕获新数据、使用模型进行预测，然后手动验证或纠正这些预测以进一步训练模型。更多关于主动学习的见解，请参阅上面的主动学习部分。
如何在不同平台上使用Ultralytics环境训练YOLOv5模型？
Ultralytics提供了预装依赖项（如CUDA、CUDNN、Python和PyTorch）的即用型环境，使您更容易启动训练项目。这些环境可在Google Cloud、AWS、Azure和Docker等各种平台上使用。您还可以通过Paperspace、Google Colab和Kaggle访问免费的GPU笔记本。有关具体的设置说明，请访问文档的支持的环境部分。
