數據標註紀實：Roboflow 篇

一、背景說明

最近因工作需要接觸 YOLOv11 進行物件＂偵測＂、＂分割＂作業，其中最核心之一除了算法的優化外莫過於優良的數據集。筆者透過 Udemy、YouTube、优快云 等多元管道教程中選擇了＂Label-Studio＂及＂ReboFlow＂進行標註作業。

這兩個軟體可謂各有千秋，前者屬於開源項目上手容易可在內網部屬，但無法執行影像增強且須手動進行（train,valied,test）分類；後者屬於付費工具，提供影像增強、類別分配和線上模型訓練、分析等功能，但每月有一定的免費 credits 額度，也算足夠使用，當然最重要的一點是兩者皆可自動標註且相互導出導入，結合彼此優勢一起使用。

# 本文以＂Roboflow＂進行紀實

與 Label-Studio 相同的是 Roboflow 也是以 WEB 模式操作：官方網站（操作手冊）

從零至一可分為以下幾個區域：

1. 創建＂Workspace＂（存放項目的空間）

2. 創建＂Project＂（存放數據集的項目）

3. 建立、管理＂Class＂

4. 上傳＂Dataset＂（圖、文、影、像，可含標註（txt））

5. 建立、標註、分配＂Data＂

6. 應用、下載＂Dataset＂（用於線下訓練，或轉入其他平台）

7. 訓練、評估＂Model＂（用於線上訓練）

二、用戶管理

01．進入＂Roboflow＂官網：https://roboflow.com

02．點擊＂Get Started＂

02．根據自身習慣進行登入，本案以＂Continue with Email＂為例

03．待＂Email＂輸入完畢後，需要進入郵件中＂收信＂，並透過其中超鏈接跳轉進入

三、應用紀實（1/7）：創建 Workspace

01．在左側導覽欄中，找到 Workspaces 中點擊＂>＂

02．點擊＂＋＂

03．根據需求類別選擇、填寫信息：

　　[1] Name Your Workspace => ＂空間名稱＂（可自行定義）

　　[2] Select Plan => ＂訂閱版本＂，默認為＂Public Plan＂（免費但數據公開）

04．點擊＂Continue＂，即可建立新的 Workspace

PS：免費版本僅能建立1個＂Public Workspace＂

四、應用紀實（2/7）：創建＂Project＂

01．點擊＂Projects＂

02．點擊＂New Project＂

03．根據需求類別選擇、填寫信息：

　　[1] Project Name => ＂項目名稱＂（自行定義）

　　[2] Visibility => ＂訪問權限＂，默認為＂Public＂（免費但數據公開）

　　[3] Project Type => ＂項目類型＂（後續不可相互切換，若選錯只能重建）

04．點擊＂Create Public Project＂

 五、應用紀實（3/7）：建立、管理＂Class＂

01．點擊＂Class & Tags＂

02．根據需要進行管理：

　　[1] 新增 => 點擊＂ + Add＂

　　[2] 編輯、刪除 => 點擊＂Modify Classes＂

六、應用紀實（4/7）：上傳＂Dataset＂

01．點擊＂Upload Data＂

02．根據是否包含文本，進行上傳作業：

　　[1] 不含標註文本

　　　  [1.1] 點擊＂Select Files(s)＂ 或＂Select Folder＂ 或＂拖拽文件進網頁＂

　　　  [1.2] 選擇＂要上傳的文件＂

　　　  [1.3] 待上傳完成後，將數據集分配給標註的人員：

　　 　　　  [1.3.1] 單人作業 => 點擊＂Label Myself＂，本案以＂個人標註＂為例

　　 　　　  [1.3.2] 多人作業 => 點擊＂Label My Team＂

　　　　　

　　[2] 包含標註文本

　　　  [2.1] 點擊＂Select Files(s)＂ 或＂Select Folder＂ 或＂拖拽文件進網頁＂

　　　  [2.2] 選擇＂要上傳的文件含文本＂

　　　  [2.3] 將已標註數據集，進行分類：

　　 　　　  [2.3.1] 按比例分配 => ＂Split Images Between Train/Valied/Test＂

　　 　　　  [2.3.2] 全部分配給某一類 => ＂Add All Images to XXX Set＂

　　 　　　  　 　   *** 後續會對類別 Train/Valied/Test 進行說明 ***

七、應用紀實（5/7）：建立、標註、分配＂Data＂

目前根據訓練需要，我們需要將已完成標註的數據集需要分配進三個區塊，分別為：Train,Valied,Test 的集合中，對應的用途如下說明，為保證模型的客觀性與準確性，同一張圖、文、影、像需具有唯一性，千萬不要重複出現在任一的模塊中，否則容易影響後續訓練的客觀性和準確性

[Training set（訓練集合）] 一言以蔽之：拿來學習的圖像集合

The vast majority of your images will go here for training your model.

[Valid set（驗證集合）] 一言以蔽之：驗證學習後成果的影像集合，若效果不理想繼續學習

Images here will be used during training to test how well the model is doing in order to get feedback for improvement.

[Test set（測試集合）] 一言以蔽之：正式拿來考試的影像集合

After training is done, the test set is used to see how well the model performs on images it hasn't used for training. This gives you a better sense of how your model will perform in production.

01．進入標註準備介面：

　　[1] 如果是從上傳數據集，會直接跳轉到以下畫面（請跳至步驟 02）

　　[2] 如果是從左側導覽欄，會先中轉到以下畫面（需繼續操作）

　　　  [2.1] 點擊＂Annotate＂，可看見三個區塊：

　　　  　　 Unassigned Images | Annotating | Dataset

[Unassigned Images（未分配的圖像）] 一言以蔽之：暫時 or 永久不要用 的圖像

These are uploaded images that are auto-batched for easy assignment to users. These are images with no annotations and no assigned labelers.

[Annotating（標註中的圖像）] 一言以蔽之：已標註但未分配 or 未標註 的圖像

Once a batch is assigned to a user for annotation, it will appear as an annotation job in the Annotating column. Deleting images from the Annotating column will send them back to the Unassigned column as a batch.

[Dataset（已標註且已分配的圖像）] 一言以蔽之：已標註且已分配進，可投入訓練的數據集

Once an annotation job is complete, those images can be added to the Dataset, a group of annotated images ready for training. Deleting images from the Dataset column will send them back to the Unassigned column as a batch.

　　　  [2.2] 在＂Annotating＂區塊中，點擊＂Start Annotating＂可回到 [2.1] 中

02．選擇、點擊＂任一數據＂可進入到標註介面

03．開始根據需要進行＂標註＂作業

PS：同 Label Studio 一樣， Roboflow 也有類似的快捷鍵：

＂D＂ 托拽模式，如果點擊標註框在按會對該標註框進到編輯模式，可增刪移節點

＂P＂ 標註模式-多邊形 | ＂B＂ 標註模式-矩形

＂Ctrl＂ 切換模式：托拽 or 標註

＂+/-＂ or ＂Ctrl + 鼠標滾輪＂ 縮放影像

＂Enter＂ 保存標註 | ＂ESC＂ 取消標註

此外筆者覺得它有個不錯的功能：影像處理，可以調整明亮、對比等

04．待完成全部標註或自己意願，分配標註的數據集（不必張張馬上處理）：

　　[1] 點擊＂✓＂

　　[2] 將已標註數據集，進行分類：

　　 　　[2.1] 按比例分配 => ＂Split Images Between Train/Valied/Test＂

　　 　　[2.2] 全部分配給某一類 => ＂Add All Images to XXX Set＂

PS：若不以上述方式進行分配或不小心關閉也無妨，數據會存在＂Annotate＂中的＂Annotated＂裡，再點擊＂Add Images to Dataset＂進行分配即可

05．完成後，可在＂Dataset＂進行查看當前所有標註的數據

PS：若標註數據汙染或想要刪除，Roboflow支持版本回朔，每次上傳輸具都會進行紀錄，可回到＂Annotate＂中的＂Dataset＂裡，再點擊＂...＂進行調整即可

PS：若想查看標註狀況，可在左側導覽欄中點擊＂Analytics＂查看相關細節：

Number of Images => 數據集現有圖像的張數

Number of Annotations => 其中又包含了多少標註框

八、應用紀實（6/7）：應用、下載＂Dataset＂

01．在左側導覽欄中，點擊＂Versions＂

02．點擊＂Create New Version＂

PS：若要調用以前的 Version 直接選擇即可，後續操作除＂03 參數設定＂皆一致

03．針對版本進行參數設定：

　　[1] Source Images => 設定＂要使用的數據集範圍＂

　　[2] Train/Test Split => 設定＂數據集分配比例＂

　　[3] Preprocessing => 設定＂影像處理＂（張張處理，包含影像增強後的圖像）

　　[4] Augmentation=> 設定＂影像增強＂

　　[5] Create => 設定＂影像增強的張數＂

　　[6] 點擊＂Create＂，即可新建 Version

04．點擊＂Download Dataset＂

05．選擇＂使用的版本＂，本案以＂YOLOv11＂為例

06．選擇＂下載方式＂，本案以＂傳統下載方式＂為例，也可透過指令進行下載

07．點擊＂Continue＂，即可完成數據集導出

九、應用紀實（7/7）：訓練、評估＂Model＂

警告：本文到此皆屬必要作為，訓練會消耗大量 Credits 非必要可轉至本地訓練

如想嘗試需特別注意，每個月只有 30 Credits 的額度月底刷新，歸零將影響部分，當然不介意的話可以使用＂鈔＂能力！

01．在左側導覽欄中，點擊＂Versions＂

02．找到要訓練的 Version，點擊＂Custom Train＂

02．根據需求進行設定：

　　[1] Select Model Architecture => 設定＂要應用的模型方向＂

　　[2] Select Model Size => 設定＂訓練傾向＂（效率 vs 效果）

　　[3] Model Type => 設定＂預訓練模型＂（可選擇歷史或全新模型）

　　[4] 點擊＂Okay＂，即可開始線上訓練

PS：可關閉網頁或執行其他操作不影響訓練

03．待訓練完成後，點擊＂View Model＂可查看訓練成果

PS：也可以從左側導覽欄中＂Models＂中選擇要查看的＂模型​＂進入