- 综合排序
- 最热优先
- 最新优先
- 来自专栏深度学习和计算机视觉
基于yolov11的手语检测 | 附数据集+代码
此外，还在Roboflow中应用了数据增强技术以增加数据集的多样性，提高了模型的泛化能力。采用了翻转、旋转和亮度调整等技术。 配置API密钥以加载数据集 为了微调YOLO11，你需要提供你的Roboflow API密钥。请按照以下步骤操作： 前往你的Roboflow设置页面，点击复制，这将把你的私有密钥放在剪贴板中。 在名称为ROBOFLOW_API_KEY下存储Roboflow API密钥。Roboflow：转到你的Roboflow数据集下载 -> 选择YOLO模型 -> 选择显示下载代码 -> 点击复制。 在一个用户名下存储Roboflow API密钥。 在Kaggle中：转到“插件”→“秘密”→“添加秘密”（），并存储你的Kaggle API密钥和用户名。 pip install roboflow --quiet from roboflow import Roboflow rf = Roboflow(secret_value_0) project =
1.9K11编辑于 2024-12-09 - 来自专栏深度学习和计算机视觉
来了，使用YOLOv11目标检测的详细教程
pip install ultralytics supervision roboflow from ultralytics import YOLO from roboflow import Roboflow 数据集相关链接： https://universe.roboflow.com/roboflow-100/parasites-1s07h https://universe.roboflow.com/roboflow -100 https://universe.roboflow.com/roboflow-100/parasites-1s07h/health 为了提高这个类别的准确性，你需要应用增强、过采样或调整类别权重 你可以下载并使用 Roboflow 环境中的任何开源项目，按照格式使用。 rf = Roboflow(api_key="your-api-key") project = rf.workspace("roboflow-100").project("parasites-1s07h
11.9K21编辑于 2025-01-13 - 来自专栏一点人工一点智能
如何在自定义数据集上训练 YOLOv9
运行以下代码下载我们将在本文中使用的数据集： %cd {HOME}/yolov9 roboflow.login() rf = roboflow.Roboflow() project = rf.workspace "yolov7") 当您运行此代码时，将要求您使用Roboflow进行身份验证。 在开始的时候，您需要将您的模型权重上传到Roboflow。这将使云API可用于您的模型，并允许您将权重带入本地推理部署。你需要在你的Roboflow账户中有一个项目，以便上传你的权重。 要上传模型权重，请运行以下代码： from roboflow import Roboflow rf = Roboflow(api_key='YOUR_API_KEY') project = rf.workspace （https://inference.roboflow.com/?
1.6K31编辑于 2024-03-12 - 来自专栏AI研习社
人工检查，11 个类、97942 个标签，Roboflow 开源自动驾驶数据集可以使用啦
对此，Roboflow 的创始人 Brad Dwyer 感到惊讶和担忧，因为这个数据集中包含了很多关键的错误和遗漏。 该数据集下载地址：https://public.roboflow.ai/object-detection/self-driving-car Roboflow 重新标记了数据集，更正错误和遗漏。 Roboflow 还提供了一个降采样到 512x512 （下载大小约 580 MB）的版本，适用于大多数常见的机器学习模型（包括 YOLO v3、Mask R-CNN、固态硬盘和移动网络）。 Roboflow 已经手动检查了数据集中注释的准确性。 ? 注释分布如下图： ? 正在研究自动驾驶技术的同学们，现在就可以开始使用这个数据集啦~不过，Roboflow 也声明，该数据集包含许多相同主题的重复边界框，他们尚未更正。
2K10发布于 2020-02-21 - 来自专栏深度学习和计算机视觉
来了，使用YOLOv11目标检测教程
pip install ultralytics supervision roboflow from ultralytics import YOLO from roboflow import Roboflow 数据集相关链接： https://universe.roboflow.com/roboflow-100/parasites-1s07h https://universe.roboflow.com/roboflow -100 https://universe.roboflow.com/roboflow-100/parasites-1s07h/health 为了提高这个类别的准确性，你需要应用增强、过采样或调整类别权重 你可以下载并使用 Roboflow 环境中的任何开源项目，按照格式使用。 rf = Roboflow(api_key="your-api-key") project = rf.workspace("roboflow-100").project("parasites-1s07h
3.4K10编辑于 2024-10-10 - 来自专栏新智元
Roboflow和开发者这样说
新智元报道 来源：Roboflow 编辑：舒婷 【新智元导读】YOLOv5的发布备受关注，在多个社区引发热议。 6月14日，Roboflow联合YOLOv5开发者，正面回应了Hacker News社区对于YOLOv5的质疑。 2、Roboflow发布的最初基准测试是否准确且可重复？ Roboflow表示会和Hacker News的各位积极沟通，以决定是否更换命名。 Roboflow：承认错误，正式摘要由Jocher在今年晚些时候发布！ 这就是Roboflow要做的工作，此次的最初的基准测试也是Roboflow来协助YOLOv5完成的。 但是Roboflow的目标并不是去将模型改良为「通用」的，数据集是否使用还是以建模团队的需求为准。
1.3K20发布于 2020-06-17 - 来自专栏深度学习和计算机视觉
一份微调YOLOv11的小指南
在这篇博文中，我们将探讨如何微调强大的YOLOv11目标检测模型，以使用Roboflow准备的自定义数据集来检测汽车车牌。我们还将集成Gradio以创建一个交互式Web界面，用于实时推理。 使用Roboflow准备数据 为什么使用Roboflow？ Roboflow是一个强大的工具，它简化了管理和准备计算机视觉任务数据集的过程。它提供： 简单的注释：用户友好的界面用于注释图像。 上传到Roboflow：创建一个新项目并上传你的图像。 注释图像：使用Roboflow的注释工具标记每张图像中的车牌。 增强数据：应用旋转、缩放和亮度调整等转换以增强数据集。 下载数据集 # Download the Roboflow dataset python scripts/download_data_roboflow.py 在.env文件中创建并设置环境变量 # ROBOFLOW_API_KEY 参考资料 YOLOv11仓库：https://docs.ultralytics.com/models/yolo11/ Roboflow：https://docs.roboflow.com/ Gradio
1.3K10编辑于 2024-10-25 GitHub超 30000+ star 背后，这款 Supervision 工具为何让视觉开发者欲罢不能？
Roboflow 的 Supervision 项目已于近期突破 30,000 个 GitHub Stars，是视觉工程师常用的辅助库，让你告别重复造轮子。 Supervision 是 Roboflow 出品、基于 MIT 协议的开源库，用于解决视觉项目中常见的可视化、跟踪、计数、格式转换等需求。 数据集加载与转换示例from roboflow import Roboflowimport supervision as svrf = Roboflow(api_key="YOUR_KEY")proj 输出 tracker_id跟踪逻辑需手动植入数据集工具支持支持 coco、yolo、voc 等格式转换与加载通常需自己写解析器快速上手与文档完善pip 安装 + 示例丰富 + 官方博客指导学习成本高总结Roboflow 项目地址： https://github.com/roboflow/supervision
58610编辑于 2025-08-22- 来自专栏相约机器人
在自己的数据集上训练TensorFlow更快的R-CNN对象检测模型
Roboflow对于小型数据集是免费的，因此在此示例中，已经准备就绪！ （请注意，与原始版本相比，Roboflow上托管的版本在标签方面进行了较小的改进。） https://public.roboflow.ai/ https://blog.roboflow.ai/releasing-an-improved-blood-count-and-cell-detection-dataset / 通过Roboflow Public截屏。 https://blog.roboflow.ai/getting-started-with-roboflow/ 创建TFRecords和标签图 将使用Faster R-CNN的TensorFlow实现（
4.8K20发布于 2020-03-18 - 来自专栏量子位
YOLOv8已至，精度大涨！教你如何在自定义数据集上训练它
为了不让这个过程那么痛苦和耗时，我们可以用上Roboflow这个工具（本教程也是由它提供的）。 记住从Roboflow Universe中下载数据集时选择“YOLO v5 PyTorch”格式，然后在弹出的窗口中看到一段代码，简单修改各个参数即可。 from roboflow import Roboflow rf = Roboflow(api_key='YOUR_API_KEY') project = rf.workspace('WORKSPACE 当然，也可以使用Roboflow pip包中的Deploy（）函数将它上传到Roboflow Deploy中，方便自己和他人共享。 单击Roboflow仪表板侧栏中的“部署（Deploy）”，查看可用的选项，然后就能直接在浏览器中测试你的模型了。要共享给他人，发送一个URL就行。
4.6K20编辑于 2023-02-28 - 来自专栏数据科学（冷冻工厂）
实战｜YOLOv10 自定义目标检测
yolov10.git wget -P -q https://github.com/jameslahm/yolov10/releases/download/v1.0/yolov10n.pt 您可以在 Roboflow 通过 Roboflow API，您可以下载以 YOLOv8 格式封装的模型。 ! pip install -q roboflow from roboflow import Roboflow rf = Roboflow(api_key="your-api-key") project = X-Ray-Baggage-3/data.yaml' 示例 data.yaml 文件 names: - Gun - Knife - Pliers - Scissors - Wrench nc: 5 roboflow : license: CC BY 4.0 project: x-ray-baggage url: https://universe.roboflow.com/vladutc/x-ray-baggage
1.5K10编辑于 2024-06-21 - 来自专栏OpenCV与AI深度学习
实战 | 基于YOLOv8和OpenCV实现车速检测(详细步骤 + 代码)
相关代码和文档可参考链接： https://github.com/roboflow/inference? ref=blog.roboflow.com https://inference.roboflow.com/? ref=blog.roboflow.com import supervision as sv from inference.models.utils import get_roboflow_model https://supervision.roboflow.com/how_to/track_objects/? ref=blog.roboflow.com 车速计算 让我们考虑一种简单的方法，根据边界框移动的像素数来估计距离。 当您使用点来记住每辆车每秒的位置时，会发生以下情况。
8.5K15编辑于 2024-02-21 - 来自专栏机器之心
YOLOv5是真的吗？并不比YOLOv4强，不配这个名字
来自：https://blog.roboflow.ai/yolov5-is-here/ 不仅如此，他们还提到「YOLOv5 的大小仅有 27 MB。」 这两个链接分别指向 Ultralytics YOLOv5 代码库和前面提到过的 Roboflow 博客。 用户 Anthiras 表示不相信 Roboflow 的 YOLOv5 文章，因为小 90% 的模型却能提供相近的准确度，这不怎么可能。 Bochkovskiy 的评估 回到 AlexeyAB 的 GitHub 讨论，可以看到 Alexey 的评论说 roboflow.ai 博客的比较结果是无效的。 我们再看看 Ultralytics 的 Glenn Jocher 以及 Roboflow.ai 的人是怎么说的。
1.6K20发布于 2020-07-14 - 来自专栏深度学习和计算机视觉
物体检测中的小物体问题
在这篇文章中，我们将讨论通过迭代数百种小物体检测模型在Roboflow上开发的一些策略。 在Roboflow中平铺图像作为预处理步骤如果大家要在训练期间使用平铺，请务必记住，还需要在推理时平铺图像。 通过扩充生成更多数据 数据扩充会从基本数据集中生成新图像。 大家可以通过运行Roboflow Pro的高级数据集来快速识别所有这些小对象。可以通过Roboflow的管理工具来实现类遗漏和类重命名。
76920编辑于 2022-02-13 - 来自专栏OpenCV与AI深度学习
实战 | 基于YOLOv9+SAM实现动态目标检测和分割（步骤 + 代码）
关于数据集 该项目利用Roboflow 的RF100施工数据集，特别是Construction-Safety-2子集，来演示集成模型的功能。 https://blog.roboflow.com/roboflow-100/ RF100 是由英特尔发起的一项计划，旨在建立对象检测模型的开源基准。 它侧重于 Roboflow Universe 上可用数据集的通用性，提高可访问性并加快人工智能和深度学习的开发过程。 RF100 构建数据集与 Roboflow 中的其他项目一样，是开源的，可以免费使用。 pip install -q roboflow from roboflow import Roboflow rf = Roboflow(api_key="YOUR API KEY") project
3.8K10编辑于 2024-04-12 - 来自专栏DeepHub IMBA
YOLOv10的改进、部署和微调训练总结
我们只用roboflow直接下载yolov8格式的数据集 ! pip install -q roboflow from roboflow import Roboflow rf = Roboflow(api_key="your-api-key") project data.yaml' 这里需要一个data.yaml文件，他的格式如下： names: - Gun - Knife - Pliers - Scissors - Wrench nc: 5 roboflow : license: CC BY 4.0 project: x-ray-baggage url: https://universe.roboflow.com/vladutc/x-ray-baggage
2.6K21编辑于 2024-06-03 - 来自专栏深度学习和计算机视觉
使用YOLOv8检测棋盘棋子
我们也可以从网上找些开源数据直接使用，比如Kaggle、Roboflow… 没有合适的数据再自行创建。本文使用Roboflow的棋盘棋子检测数据集（见文末） 2. save image 相关参考链接： LabelImg：https://github.com/HumanSignal/labelImg Kaggle：https://www.kaggle.com/ Roboflow ：https://roboflow.com/ 数据集地址：https://universe.roboflow.com/university-of-the-philippines-yieax/sp2-ym1iq
51411编辑于 2024-12-05 - 来自专栏DeepHub IMBA
刚发布的最新版本怎么用？YOLOv13新手教程带你快速上手
随后将数据上传至Roboflow平台进行专业的数据管理和标注。 在Roboflow平台中选择目标检测项目类型，利用平台提供的标注工具对上传的图像进行精确标注。 Roboflow提供了多种标注工具，包括矩形边界框工具、多边形标注工具以及AI辅助标注功能，可以显著提高标注效率和准确性。 在Roboflow的版本管理界面中创建数据集版本，并导出为YOLOv13格式。下载并解压数据集文件，准备进行模型训练。
1.9K10编辑于 2025-08-20 - 来自专栏OpenCV与AI深度学习
实战 | 使用YOLOv8 Pose实现瑜伽姿势识别
使用 Roboflow 的瑜伽姿势分类数据集 https://universe.roboflow.com/new-workspace-mujgg/yoga-pose 3. 将您的 roboflow 数据集或手动注释的数据集上传到 Google Drive 的单独文件夹（例如 Yoga）中，以便在 Colab 中轻松访问。 B.
4K21编辑于 2024-04-19 - 来自专栏新智元
今晚，为梅西和莫德里奇熬夜！这个CV模型，让你猜球必赢
他的工作成果，在Roboflow Universe上可见。该数据集是开源的，任何人都可以免费使用。 预训练vs自定义足球运动员检测器 自定义训练的结果让Skalski对于解决上述两个问题充满自信。 Skalski的模型和他的数据集一样，在Roboflow Universe上都是可用的。只需拖放测试图像即可。 参考资料： https://blog.roboflow.com/track-football-players/ https://youtu.be/QCG8QMhga9k
52940编辑于 2023-01-09
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号