Avis et détails du produit Roboflow

As a researcher in computer vision for precision horticulture (detecting apple, cherry, and strawberry fruits, identifying rot defects on sorting lines, monitoring flowering, keypoint detection for tree trunk pose estimation, semantic segmentation, and LIDAR-based navigation of robotic platforms), I find Roboflow an indispensable tool that has seamlessly integrated into our scientific pipeline. The platform allows us to quickly annotate and version datasets, for example for training YOLOv8 and YOLO26 models to detect fruit with rot symptoms, which directly relates to our work on intelligent sorting. I especially appreciate the automated augmentation: although we experiment with generative methods like CycleGAN, Roboflow's built-in augmentations (brightness adjustment, rotation, mosaic) save hours before training starts. The key advantage for us is instant dataset export to dozens of formats — we use YOLO for onboard robotic systems, COCO JSON, and TFRecord — and without Roboflow, conversion would take weeks. I also value cloud hosting with automatic annotation quality checks, which is particularly important when collaborating on thousands of high-resolution orthophotomaps with colleagues (Filippov, Khort, Smirnov). As a result, Roboflow cuts the time from raw drone or robotic platform imagery to a trained neural network roughly fivefold — critical for meeting grant deadlines and publishing in high-impact journals. That is why I give it a 10 out of 10 and strongly recommend Roboflow to anyone working on applied AI in agriculture and robotics. Avis collecté par et hébergé sur G2.com.

The main drawback I have experienced is the lack of a more flexible pricing policy for academic users with moderate data storage needs. As a research team working on precision horticulture, we often deal with thousands of high‑resolution orthophotomaps and annotated images, yet our grant budgets are limited. The existing pricing tiers either offer very small free quotas or jump to expensive plans that include many enterprise features we do not need. A mid‑level academic plan with reasonable storage limits and lower cost would greatly improve accessibility for university‑based researchers who use Roboflow regularly but cannot justify a full commercial subscription. Avis collecté par et hébergé sur G2.com.

Roboflow est une plateforme conviviale fantastique que j'ai utilisée de manière intensive au cours de l'année passée, principalement pour annoter des images qui sont ensuite utilisées pour entraîner des modèles d'IA. Roboflow permet d'annoter des images à partir de zéro. Les images annotées peuvent ensuite être utilisées de plusieurs manières. Tout d'abord, elles peuvent être téléchargées sur un ordinateur local et être combinées avec d'autres images (annotées) dans de futurs projets. Cela évite la nécessité d'annoter une seconde fois et on peut choisir d'utiliser la même distribution train:valid:test que celle utilisée dans les projets précédents. Deuxièmement, les images annotées peuvent être utilisées pour développer une version du projet qui peut être utilisée pour entraîner un modèle d'IA. Roboflow offre la possibilité de prétraiter et d'augmenter les images initiales pour créer une bibliothèque plus grande d'images ayant une variété de rotation, de luminosité, de teinte, etc. Troisièmement, les images annotées peuvent être utilisées – via la version du projet – pour entraîner un modèle directement sur la plateforme Roboflow. Alternativement, Roboflow prend en charge la possibilité de télécharger les images annotées (y compris les images prétraitées et augmentées) sur une autre plateforme où le modèle d'IA peut être entraîné. Avis collecté par et hébergé sur G2.com.

Rien. Je suis sûr que Roboflow contient de nombreuses fonctions que je ne connais pas encore. Avis collecté par et hébergé sur G2.com.

Ce qui m'a apporté le plus de valeur dans Roboflow, c'est la capacité à collaborer efficacement pendant le processus d'annotation, surtout lorsque je travaille avec des équipes académiques. Nous avons souvent plusieurs étudiants et chercheurs qui étiquettent des données simultanément, et l'espace de travail partagé rend la coordination fluide. En termes de performance, la plateforme est constamment rapide, très intuitive et fiable, même lorsqu'il s'agit de gérer de grands ensembles de données ou des charges de travail d'annotation plus lourdes.

En ce qui concerne les prix, je ressens sincèrement que le système de crédits est très accessible. À plusieurs reprises, lorsque j'ai épuisé mes crédits, j'ai pu continuer à entraîner des modèles avec aussi peu que 5 $, ce qui fait une énorme différence pour les projets académiques avec des budgets limités.

Les outils d'annotation assistés par l'IA ont également été un avantage majeur. Des fonctionnalités comme l'étiquetage automatisé et la possibilité d'intégrer mes propres modèles accélèrent considérablement le flux de travail. L'utilisation de SAM 3 pour les annotations a rendu le processus encore plus efficace, réduisant l'effort manuel et améliorant la cohérence au sein de l'équipe. Un avantage inattendu a été la facilité avec laquelle il est possible d'intégrer de nouveaux contributeurs : les étudiants peuvent commencer à annoter efficacement en quelques minutes. Avis collecté par et hébergé sur G2.com.

Une limitation que j'ai rencontrée avec Roboflow est que, en tant qu'utilisateur académique, je n'ai pas accès à des outils d'évaluation comme la matrice de confusion ou l'analyse vectorielle. Ces fonctionnalités sont extrêmement précieuses pour évaluer la performance des modèles, surtout dans les contextes de recherche et d'enseignement où comprendre les erreurs de classification est essentiel. Ne pas y avoir accès rend le flux de travail d'évaluation moins efficace et m'oblige à recourir à des outils externes pour compléter l'analyse. Il serait très utile que les comptes académiques incluent au moins une version basique de ces métriques de performance, car elles amélioreraient considérablement le processus de validation des modèles pour les étudiants et les chercheurs. Avis collecté par et hébergé sur G2.com.

D'abord, je suis désolé d'écrire en coréen.

J'ai commencé un projet avec Gemini pour mener à bien un projet de représentation d'informations sur les courses cyclistes. Je n'avais aucune connaissance préalable en programmation ou en IA.

Gemini m'a recommandé YOLO et Roboflow pour le traiter, et j'ai trouvé que Roboflow était adapté pour un débutant comme moi. Lorsque j'ai commencé à faire le classement (étiquetage) pour créer le modèle initial, j'ai d'abord procédé en traçant grossièrement des rectangles, mais une fois que le modèle a été quelque peu développé, la fonction 'Smart Select' s'est avérée vraiment pratique. Avis collecté par et hébergé sur G2.com.

Le manque de support en coréen était gênant. Je suis un débutant qui connaît à peine l'apprentissage automatique, et j'aimerais que les formations ou guides pour débutants soient placés dans des endroits plus visibles pour que je puisse les suivre facilement. Dans mon cas, j'ai résolu les parties nécessaires en demandant à Gemini. Avis collecté par et hébergé sur G2.com.

En tant que personne ayant annoté plus de 1000 images dans des tâches de détection, de segmentation et d'estimation de pose pour plusieurs projets, Roboflow est devenu ma plateforme par défaut - non pas à cause du battage médiatique, mais parce qu'elle élimine constamment les frictions à chaque étape du pipeline de vision par ordinateur.

Les outils d'annotation sont véritablement de premier ordre. La suite de marquage IA couvre Label Assist, Smart Polygon via SAM, Box Prompting et Auto Label - chacun adapté à une étape différente du projet. Pour un nouveau jeu de données sans modèle existant, Auto Label économise des heures. Pour le raffinement, Smart Polygon avec un simple clic vous offre des masques polygonaux en quelques secondes. Le nouveau contrôle d'annotation de Rapid vous permet de passer des boîtes générées par l'IA à des annotations de qualité production sans quitter la plateforme - cela seul a considérablement réduit mon temps de préparation de jeu de données.

La flexibilité d'exportation est sous-estimée. Obtenir votre jeu de données en formats COCO, YOLO, Pascal VOC et bien d'autres avec un simple clic, directement intégré dans les scripts d'entraînement via le SDK Python, signifie zéro code de colle pour le pipeline. Le niveau gratuit est vraiment utile - pas un essai limité - et couvre le stockage, l'annotation et l'exportation pour des projets personnels et de recherche. Ils vous fournissent même 3 crédits que vous pouvez utiliser pour affiner votre jeu de données directement sur leurs GPU, ce qui vous fait gagner du temps si vous n'avez pas une puissance de calcul suffisante localement.

Au-delà du produit : les contributions OSS de Roboflow sont réelles. Les publications de poids RF-DETR et YOLO ne sont pas du marketing - ce sont des modèles que j'ai réellement évalués et déployés. Leur engagement communautaire sur leurs réseaux sociaux est rapide et techniquement substantiel, pas seulement une déviation de ticket de support (salut à Trevor). Leurs ingénieurs apportent des améliorations à leurs projets GitHub presque quotidiennement - salut à Piotr Skalski, la personne qui m'a initié à la vision par ordinateur. Je vous suggère également de consulter leurs blogs et vidéos de démonstration ; vous pouvez beaucoup apprendre d'eux.

S'il y a un domaine à améliorer, c'est que les opérations sur de grands jeux de données (réexportation en masse, gestion des versions à grande échelle) peuvent sembler lentes sur le niveau gratuit. Un point de friction mineur compte tenu de tout ce qu'il offre. Avis collecté par et hébergé sur G2.com.

La principale friction que j'ai rencontrée concerne la transparence des prix à grande échelle. Le niveau gratuit est vraiment utile, mais la transition vers les niveaux payants implique un système basé sur des crédits où il n'est pas toujours clair dès le départ à quelle vitesse les crédits s'épuisent pour des opérations comme l'augmentation ou les exécutions Auto Label sur de grands ensembles de données. Les utilisateurs avec de grands ensembles de données rencontrent également des restrictions de taille de fichier et des performances plus lentes, ce que j'ai remarqué en travaillant avec des images haute résolution provenant de pipelines vidéo. De plus, les options de personnalisation avancées pour l'entraînement et le déploiement de modèles sont limitées - si vous souhaitez un contrôle précis sur les hyperparamètres d'entraînement ou des configurations de déploiement personnalisées, vous atteindrez rapidement la limite et devrez exporter vers votre propre infrastructure. Pour un utilisateur du niveau gratuit effectuant des projets de recherche, c'est un problème mineur, mais les équipes construisant des pipelines de production devraient en tenir compte dès le début. Avis collecté par et hébergé sur G2.com.

AI-powered road damage detection made efficient. Roboflow helps streamline our AI workflow for detecting road surface damage from vehicle-mounted images. The dataset annotation and augmentation tools improve model accuracy across different road conditions and lighting. We can quickly iterate and deploy models, which is essential for near real-time inspection. Overall, it significantly reduces development time and improves reliability in road condition analysis. Avis collecté par et hébergé sur G2.com.

While Roboflow is very effective for rapid development, advanced model customization and fine-tuning still require external tools. Additionally, pricing can scale up quickly when working with large datasets or high-volume usage, which may be a concern for long-term projects Avis collecté par et hébergé sur G2.com.

My favorite thing about Roboflow is how user-friendly it is (for the most part). I've never coded anything before, but needed to do some coding for a post-grad internship; specifically, I was tasked to create something that would automatically detect plastic in images. One of my contacts recommended Roboflow to me, and even though I have run into a couple of challenges, I've been able to do what I needed to do for my internship through Roboflow.

Additionally, I appreciate the support offered. The video tutorials helped me a lot when I was starting out, and, one I got further along, the AI assistant helped me polish my workflows.

Finally, I really appreciate one of the staff members, Gustavo Loureiro dos Reis. He has been so helpful in getting me to finish my project because he is very knowledgeable when it comes to the platform, responsive, and kind. Avis collecté par et hébergé sur G2.com.

The least helpful aspect of Roboflow is definitely how difficult it was to get support from an actual person. My company paid for the Core plan, yet we were not able to contact a real Roboflow staff member when we ran into an unsolvable issue. I reached out to the AI assistant, the community forum, and Roboflow support, but nothing worked. The AI assistant was unable to help, the community forum did not receive a response, and Roboflow support (represented by an employee named Lenny) informed us that we did not have access to support and then proceeded to ignore the emails I sent afterward.

The only reason we were able to get support from Gustavo is that after being subscribed to the Core plan for three months, we happened to receive an email offering us the opportunity to schedule a meeting and speak with a real person to review the platform.

Another thing I dislike about Roboflow is that it does not properly advertise how many credits training will take, which led to me exhausting all of mine very early in the month this month. I had been training all my models with custom weights, but decided to test out the new "Neural Architecture Search" feature recently because it was recommended. I had no idea it was going to train so many models and consume so many credits (which I believe is what happened) because that was not made clear beforehand. Avis collecté par et hébergé sur G2.com.

Construire des modèles d'apprentissage automatique sur Roboflow est vraiment facile. Il y a beaucoup de jeux de données disponibles sur Roboflow Universe, et vous pouvez même ajouter vos propres images pour améliorer votre modèle—c'est très simple. Le meilleur, c'est que Roboflow s'occupe de l'entraînement pour vous et offre une grande précision. Avis collecté par et hébergé sur G2.com.

Roboflow Univers n'a pas autant de jeux de données que Kaggle, mais cela a du sens puisque la plateforme est plus axée sur son propre écosystème. L'entraînement d'un modèle peut prendre du temps, selon la taille de votre jeu de données, mais plus vous avez de données, meilleurs sont les résultats. Dans l'ensemble, c'est une expérience solide. Avis collecté par et hébergé sur G2.com.

Ce que j'aime le plus chez Roboflow, c'est son flux de travail de vision par ordinateur de bout en bout, en particulier la manière fluide dont il intègre la gestion des ensembles de données, l'annotation, le prétraitement, l'augmentation et l'exportation sur une seule plateforme. Avoir accès à une gamme de jeux de données publics diversifiés et bien annotés (par exemple, des jeux de données de défauts d'impression 3D), combiné à des formats d'exportation flexibles et un contrôle de version intégré, rend l'expérimentation et la reproductibilité beaucoup plus faciles. De plus, l'interface de Roboflow réduit la surcharge de la préparation des ensembles de données, permettant ainsi aux chercheurs de passer plus de temps sur la conception et l'évaluation des modèles plutôt que de se perdre dans l'ingénierie des données. Avis collecté par et hébergé sur G2.com.

Roboflow est une plateforme très complète, et la plupart de ses fonctionnalités semblent bien conçues. Si quelque chose, certaines des fonctionnalités plus avancées prennent du temps à être pleinement explorées et utilisées efficacement, mais c'est en grande partie parce que la plateforme inclut une gamme aussi large d'outils puissants. Dans l'ensemble, cette profondeur est une véritable force : elle permet aux utilisateurs de passer de projets simples à des flux de travail plus avancés et orientés vers la recherche à mesure que leurs besoins évoluent. Avis collecté par et hébergé sur G2.com.

Ce que je trouve le plus précieux chez Roboflow, c'est l'efficacité avec laquelle il me permet d'annoter de grands ensembles de données. En utilisant leur outil d'annotation, j'ai pu étiqueter des milliers d'images et compléter un ensemble de données entier en seulement trois heures. C'est un processus qui aurait autrement pris deux à trois jours. J'apprécie également la facilité avec laquelle il est possible d'organiser des projets et d'exporter sans effort des ensembles de données directement dans mon notebook Python, ce qui simplifie considérablement mon flux de travail. Avis collecté par et hébergé sur G2.com.

Franchement, je n'ai actuellement rien à redire sur Roboflow. Si je trouve quelque chose que je n'aime pas à l'avenir, je vous le ferai savoir. Avis collecté par et hébergé sur G2.com.