Roboflow Reseñas y Detalles del Producto

Construir modelos de aprendizaje automático en Roboflow es realmente fácil. Hay muchos conjuntos de datos disponibles en Roboflow Universe, y puedes incluso añadir tus propias imágenes para mejorar tu modelo; es muy sencillo. La mejor parte es que Roboflow se encarga del entrenamiento por ti y ofrece una gran precisión. Reseña recopilada por y alojada en G2.com.

Roboflow Univers no tiene tantos conjuntos de datos como Kaggle, pero eso tiene sentido ya que la plataforma está más enfocada en su propio ecosistema. Entrenar un modelo puede llevar algo de tiempo, dependiendo de cuán grande sea tu conjunto de datos, pero cuanta más información tengas, mejores serán los resultados. En general, es una experiencia sólida. Reseña recopilada por y alojada en G2.com.

Lo que más me gusta de Roboflow es su flujo de trabajo de visión por computadora de extremo a extremo, especialmente cómo integra de manera fluida la gestión de conjuntos de datos, la anotación, el preprocesamiento, la augmentación y la exportación en una sola plataforma. Tener acceso a una variedad de conjuntos de datos públicos diversos y bien anotados (por ejemplo, conjuntos de datos de defectos de impresión 3D), combinado con formatos de exportación flexibles y control de versiones incorporado, facilita mucho la experimentación y la reproducibilidad. Además, la interfaz de Roboflow reduce la carga de trabajo de la preparación de conjuntos de datos, por lo que los investigadores pueden dedicar más tiempo al diseño y evaluación de modelos en lugar de quedar atrapados en la ingeniería de datos. Reseña recopilada por y alojada en G2.com.

Roboflow es una plataforma muy completa, y la mayoría de sus características parecen bien pensadas. Si acaso, algunas de las funcionalidades más avanzadas requieren tiempo para explorarse y usarse de manera efectiva, pero eso se debe principalmente a que la plataforma incluye una gama tan amplia de herramientas poderosas. En general, esa profundidad es una verdadera fortaleza: permite a los usuarios crecer desde proyectos sencillos hasta flujos de trabajo más avanzados y orientados a la investigación a medida que evolucionan sus necesidades. Reseña recopilada por y alojada en G2.com.

Lo que encuentro más valioso de Roboflow es lo eficientemente que me permite anotar grandes conjuntos de datos. Usando su herramienta de anotación, pude etiquetar miles de imágenes y completar un conjunto de datos completo en solo tres horas. Este es un proceso que de otro modo habría tomado de dos a tres días. También aprecio lo fácil que es organizar proyectos y exportar conjuntos de datos directamente a mi cuaderno de Python, lo que agiliza significativamente mi flujo de trabajo. Reseña recopilada por y alojada en G2.com.

Francamente, actualmente no hay nada que no me guste de Roboflow. Si en el futuro encuentro algo que no me guste, te lo haré saber. Reseña recopilada por y alojada en G2.com.

Lo mejor de Roboflow es que puedo crear mis propios modelos de visión por computadora y, más allá de eso, configurarlos desde cero para que funcionen exactamente como necesito. Las características simples de arrastrar y soltar facilitan la configuración de las cosas, y puedo hacer cambios intuitivos sobre la marcha. Dado que todo está en línea, no depende de los núcleos de mi PC. Reseña recopilada por y alojada en G2.com.

Hasta ahora, ha sido genial explorar Roboflow. Aún así, me gustaría tener más utilidad cuando se trata de incorporar y gestionar nuestros propios datos, especialmente para modelos personalizados que requieren una gran cantidad de datos. Si es posible, también sería útil tener formas de obtener o importar datos directamente de diferentes sitios como Kaggle, etc. Reseña recopilada por y alojada en G2.com.

Roboflow proporciona una canalización completa para la investigación de visión por computadora, desde la anotación y versionado de conjuntos de datos hasta la ampliación y exportación de modelos. La interfaz es intuitiva, y las características de gestión de conjuntos de datos (divisiones, visualización del equilibrio de clases, control de ampliación y conversión de formatos) reducen significativamente la carga experimental. Para la investigación académica, la capacidad de iterar rápidamente en conjuntos de datos, reproducir experimentos y exportar a múltiples marcos (YOLO, COCO, TensorFlow, ONNX, etc.) es extremadamente valiosa. Reseña recopilada por y alojada en G2.com.

Para conjuntos de datos a gran escala, el procesamiento y la exportación en la nube pueden ser a veces lentos, y la personalización avanzada de las canalizaciones de aumento está un poco más limitada en comparación con los scripts locales totalmente personalizados. Además, algunas características avanzadas están bloqueadas detrás de niveles de pago, lo que puede ser una limitación para los estudiantes con fondos limitados. Reseña recopilada por y alojada en G2.com.

Interfaz fácil de usar, grandes conjuntos de datos gratuitos, carga rápido. Bastante asequible. El soporte al cliente es malo, no obtuve respuesta al intentar actualizar a Enterprise, que tiene la mayoría de las funciones necesarias para equipos. Lo he estado usando por más de un mes. El etiquetado automático por IA funciona bien, que supongo es el principal punto de venta. Reseña recopilada por y alojada en G2.com.

La RAM que consume, cargamos 20,000 imágenes para etiquetar y ocupa 2GB. Solo una pestaña de su sitio. Parece que precargan todas las imágenes en el frontend.

No hay forma de ver lo que otros etiquetadores han etiquetado. Solicitado dos veces actualizar a Enterprise pero no recibimos respuesta con el tiempo.

En la detección de objetos, es demasiado fácil escribir mal el nombre de la clase y por error crear una nueva clase. Debe haber alguna forma de validación o un modal que aparezca para informar al usuario que están creando una nueva clase. Eso es durante el etiquetado. Por ejemplo, el nombre de la clase es ar_5, escribí ar 5 y presioné enter por error - hecho, el objeto obtuvo una nueva clase. Reseña recopilada por y alojada en G2.com.

Roboflow hace que los flujos de trabajo de visión por computadora sean simples y rápidos. La gestión de conjuntos de datos, el etiquetado, la ampliación y el versionado están todos en un solo lugar, lo que ahorra mucho tiempo de ingeniería y reduce errores. Reseña recopilada por y alojada en G2.com.

Algunas funciones avanzadas están bloqueadas detrás de niveles de precios más altos, y los conjuntos de datos grandes pueden volverse costosos. Para tuberías altamente personalizadas, puede haber algunas limitaciones en comparación con las soluciones completamente autoalojadas. Reseña recopilada por y alojada en G2.com.

Roboflow se distingue como una plataforma líder de visión por computadora de extremo a extremo al simplificar el proceso a menudo desarticulado de detección de objetos y segmentación de instancias en un flujo de trabajo cohesivo y unificado. Uno de los beneficios más notables es la experiencia de anotación, particularmente la función "Smart Polygon" impulsada por el Modelo Segment Anything (SAM). Esta herramienta transforma el tedioso proceso de hacer clic a nivel de píxel requerido para las máscaras de segmentación en una operación rápida de un solo clic. Además de esta conveniencia, la plataforma proporciona un valor estratégico significativo a través de sus potentes herramientas de preprocesamiento y aumento, que te permiten expandir tu conjunto de datos y mejorar la robustez del modelo simulando condiciones como ruido o rotación, sin la necesidad de recopilar nuevas imágenes. Junto con "Label Assist" para el preetiquetado automatizado y la capacidad de exportar conjuntos de datos en más de 30 formatos ampliamente utilizados (incluyendo YOLO, COCO y TFRecord), Roboflow elimina efectivamente las barreras técnicas entre la preparación de datos y el entrenamiento. Esto te permite dedicar tus esfuerzos a refinar el rendimiento del modelo en lugar de lidiar con conversiones de archivos. Reseña recopilada por y alojada en G2.com.

Lo que encuentro frustrante de Roboflow es que sus características de IA actúan más como asistentes que como agentes completamente autónomos, especialmente en lo que respecta a las tareas exigentes de anotación y aseguramiento de la calidad (QA). Cuando subo un conjunto de datos, espero que la IA maneje el etiquetado de imágenes de principio a fin. Sin embargo, todavía tengo que revisar cada imagen yo mismo para aplicar o confirmar etiquetas, lo que hace que el proceso se sienta innecesariamente manual. Este problema se vuelve aún más pronunciado con la segmentación de instancias, donde las anotaciones de polígonos precisos son esenciales. La plataforma no proporciona una capa de QA automatizada para garantizar la precisión de estas anotaciones, por lo que me quedo con la responsabilidad de verificar cada máscara para asegurar su corrección. Desearía que hubiera un 'supervisor' de IA que validara automáticamente la calidad y consistencia de los datos, en lugar de dejarme todo el trabajo de verificación a mí. Reseña recopilada por y alojada en G2.com.

Me gusta que puedo usar créditos para entrenar modelos personalizados rápidos que aceleran el proceso de etiquetado enormemente. Las herramientas proporcionadas son lo suficientemente flexibles como para etiquetar imágenes rápidamente o copiar etiquetas a otras imágenes. La exportación de datos de entrenamiento también es muy flexible, permitiéndome exportarlos en cualquier formato requerido según las necesidades del proyecto. Se integra bien con nuestro flujo de trabajo interno. Cuando tuve dificultades, el servicio de atención al cliente se puso en contacto conmigo por su cuenta ya que estaba usando una nueva función y me ayudaron a continuar. Lo uso al menos una vez a la semana. Es fácil de implementar en cada proyecto actual debido a su flexibilidad. Reseña recopilada por y alojada en G2.com.

Al importar archivos yaml, a veces se desordena el orden de las clases, organizándolas alfabéticamente. Esto requiere un paso más para devolverlas al orden original. Esto se podría evitar con seguridad. Reseña recopilada por y alojada en G2.com.

Lo que más me gusta de Roboflow es cómo maneja sin problemas cada paso de la preparación del conjunto de datos, desde la carga y anotación de imágenes hasta la preprocesamiento, la augmentación y la exportación para el entrenamiento. La plataforma es extremadamente fácil de usar y ahorra una cantidad increíble de tiempo al trabajar con grandes conjuntos de datos. Las funciones automatizadas, el control de versiones y las opciones de exportación YOLO hicieron que fuera fácil gestionar nuestro conjunto de datos BharatPotHole de más de 7,000 fotogramas de manera eficiente. Para nuestra investigación de detección de baches iWatchRoad, Roboflow ayudó a mantener una calidad de etiquetado consistente, apoyó la colaboración y simplificó todo el flujo de trabajo. Es una de las pocas herramientas que realmente hace que la gestión de conjuntos de datos de visión por computadora sea sin esfuerzo. Reseña recopilada por y alojada en G2.com.

Honestamente, no hay mucho que no me guste. Ocasionalmente, las cargas grandes pueden tardar un poco más, especialmente cuando se trata de miles de imágenes de alta resolución, pero eso es de esperar con grandes conjuntos de datos. Aparte de eso, todo, desde las herramientas de anotación hasta las opciones de exportación, ha funcionado sin problemas. Reseña recopilada por y alojada en G2.com.