Roboflow Dataset Upload

छवियाँ और predictions को अपने Roboflow Dataset में सहेजें।

v2

सक्रिय शिक्षण, मॉडल सुधार और डेटा संग्रह के लिए छवियों और मॉडल भविष्यवाणियों को Roboflow डेटासेट में अपलोड करें, जिसमें कॉन्फ़िगर करने योग्य उपयोग कोटा, प्रायिकीय सैंपलिंग, बैच संगठन, छवि संपीड़न और वैकल्पिक एनोटेशन स्थायित्व शामिल हैं.

यह ब्लॉक कैसे काम करता है

यह ब्लॉक कार्यप्रवाह की छवियों और भविष्यवाणियों को भंडारण, लेबलिंग और मॉडल प्रशिक्षण के लिए आपके Roboflow डेटासेट में अपलोड करता है। यह ब्लॉक:

इनपुट के रूप में छवियाँ और वैकल्पिक मॉडल भविष्यवाणियाँ (ऑब्जेक्ट डिटेक्शन, इंस्टेंस सेगमेंटेशन, कीपॉइंट डिटेक्शन, या वर्गीकरण) लेता है
सत्यापित करता है कि Roboflow API कुंजी उपलब्ध है (अपलोड करने के लिए आवश्यक)
के आधार पर प्रायिकीय सैंपलिंग लागू करता है data_percentage सेटिंग, अपलोड करने के लिए इनपुट के एक प्रतिशत का यादृच्छिक चयन करता है (उदा., 50% आधा डेटा अपलोड करता है, 100% सब कुछ अपलोड करता है)
उपयोग कोटा (मिनटवार, घंटेवार, दैनिक सीमाएँ) की जाँच करता है ताकि यह सुनिश्चित हो सके कि अपलोड सक्रिय शिक्षण रणनीतियों के लिए कॉन्फ़िगर की गई दर सीमाओं के भीतर रहें
यदि छवियाँ अधिकतम आकार से बड़ी हों, तो उनका आकार बदलकर (आस्पेक्ट अनुपात बनाए रखते हुए) और निर्दिष्ट गुणवत्ता स्तर तक संपीड़ित करके छवियों को तैयार करता है
उपसर्ग और बैच निर्माण आवृत्ति (कभी नहीं, दैनिक, साप्ताहिक, या मासिक) के आधार पर लेबलिंग बैच नाम उत्पन्न करता है, और अपलोड किए गए डेटा को बैचों में व्यवस्थित करता है
वैकल्पिक रूप से मॉडल भविष्यवाणियों को एनोटेशन के रूप में स्थायी करता है यदि persist_predictions सक्षम है, जिससे भविष्यवाणियाँ समीक्षा और सुधार के लिए प्री-लेबल के रूप में काम कर सकती हैं
Roboflow प्लेटफ़ॉर्म में संगठन और फ़िल्टरिंग के लिए छवियों के साथ पंजीकरण टैग जोड़ता है
Roboflow API के माध्यम से निर्दिष्ट Roboflow प्रोजेक्ट में छवि (और यदि सक्षम हो तो एनोटेशन) पंजीकृत करता है
के आधार पर समकालिक या असमकालिक रूप से निष्पादित करता है fire_and_forget सेटिंग, जिससे तेज़ कार्यप्रवाह निष्पादन के लिए गैर-अवरोधक अपलोड संभव होते हैं
त्रुटि स्थिति और संदेश लौटाता है जो अपलोड की सफलता, विफलता, या सैंपलिंग स्किप को दर्शाते हैं

यह ब्लॉक उपयोग कोटा लागू करके सक्रिय शिक्षण कार्यप्रवाहों का समर्थन करता है जो अत्यधिक डेटा संग्रह को रोकते हैं, और दर सीमाओं के भीतर मूल्यवान प्रशिक्षण डेटा एकत्र करने पर ध्यान केंद्रित करने में मदद करते हैं। प्रायिकीय सैंपलिंग सुविधा (v2 में नई) आपको अपलोड के लिए डेटा का एक प्रतिशत यादृच्छिक रूप से सैंपल करने देती है, जिससे लागत-प्रभावी डेटा संग्रह रणनीतियाँ संभव होती हैं जहाँ आप सभी डेटा के बजाय प्रतिनिधिक नमूने एकत्र करना चाहते हैं। छवियों को लेबलिंग बैचों में व्यवस्थित किया जाता है जिन्हें अनुसूची के अनुसार (दैनिक, साप्ताहिक, मासिक) स्वचालित रूप से फिर से बनाया जा सकता है, जिससे समय के साथ एकत्रित डेटा का प्रबंधन और समीक्षा आसान हो जाती है। यह ब्लॉक fire-and-forget मोड में असमकालिक निष्पादन के लिए काम कर सकता है, जिससे कार्यप्रवाह अपलोड पूरे होने की प्रतीक्षा किए बिना प्रोसेसिंग जारी रख सकते हैं, या डिबगिंग और त्रुटि हैंडलिंग के लिए समकालिक रूप से।

संस्करण अंतर (v2 बनाम v1)

v2 में नई विशेषताएँ:

प्रायिकीय डेटा सैंपलिंग: जोड़ा गया data_percentage पैरामीटर (0-100%) जो अपलोड के लिए डेटा की यादृच्छिक सैंपलिंग सक्षम करता है। यह आपको कार्यप्रवाह इनपुट के केवल एक प्रतिशत को अपलोड करने देता है (उदा., 25% हर चार में से एक छवि को सैंपल करता है), जिससे भंडारण और एनोटेशन लागत कम होती है जबकि अभी भी प्रतिनिधिक डेटा एकत्र होता है। जब सैंपलिंग किसी अपलोड को छोड़ती है, तो ब्लॉक छोड़ने का संकेत देने वाला संदेश लौटाता है।
बेहतर डिफ़ॉल्ट सेटिंग्स:
- max_image_size उच्च-रिज़ॉल्यूशन डेटा संग्रह के लिए डिफ़ॉल्ट (512, 512) से बढ़ाकर (1920, 1080) किया गया
- compression_level छवि गुणवत्ता को बेहतर बनाए रखने के लिए डिफ़ॉल्ट 75 से बढ़ाकर 95 किया गया

व्यवहार में बदलाव:

डिफ़ॉल्ट रूप से, data_percentage को 100 पर सेट किया गया है, इसलिए जब तक सैंपलिंग स्पष्ट रूप से कॉन्फ़िगर न की जाए, v2 v1 की तरह ही व्यवहार करता है
अब ब्लॉक कोटा जाँच और छवि तैयारी से पहले प्रायिकीय सैंपलिंग का उपयोग करता है, जिससे संसाधन-गहन संचालन से पहले कुशल फ़िल्टरिंग संभव होती है

आवश्यकताएँ

API कुंजी आवश्यक है: इस ब्लॉक को डेटा अपलोड करने के लिए एक वैध Roboflow API कुंजी की आवश्यकता होती है। API कुंजी को आपके पर्यावरण या कार्यप्रवाह कॉन्फ़िगरेशन में सेट किया जाना चाहिए। API कुंजी प्राप्त करने का तरीका जानने के लिए https://docs.roboflow.com/reference/authentication/authentication/find-your-roboflow-api-key पर जाएँ।

सामान्य उपयोग के मामले

सक्रिय शिक्षण डेटा संग्रह: प्रोडक्शन परिवेशों से छवियाँ और भविष्यवाणियाँ एकत्र करें जहाँ मॉडल संघर्ष करते हैं या अनिश्चित होते हैं (उदा., कम-विश्वास वाली डिटेक्शन, सीमा-स्थितियाँ), जिससे पुनः प्रशिक्षण के लिए चुनौतीपूर्ण उदाहरणों को इकट्ठा करके चरणबद्ध मॉडल सुधार संभव हो
प्रायिकीय डेटा सैंपलिंग: उपयोग करें data_percentage अपलोड के लिए डेटा के एक उपसमुच्चय को यादृच्छिक रूप से सैंपल करने के लिए (उदा., सभी डिटेक्शनों का 20% अपलोड करें, कम-विश्वास मामलों का 50%), जिससे लागत-प्रभावी डेटा संग्रह रणनीतियाँ संभव हों जो विविधता बनाए रखते हुए भंडारण और एनोटेशन ओवरहेड कम करती हैं
प्रोडक्शन डेटा लॉगिंग: निगरानी, विश्लेषण और भविष्य के मॉडल प्रशिक्षण के लिए प्रोडक्शन इन्फ़ेरेंस डेटा को लगातार Roboflow डेटासेट में अपलोड करें, जिससे वास्तविक-विश्व परिनियोजनों से एक बढ़ता हुआ डेटासेट बने
प्री-लेबल्ड डेटा संग्रह: मॉडल भविष्यवाणियों के साथ छवियाँ प्री-लेबल के रूप में अपलोड करें (जब persist_predictions सक्षम हो), प्रारंभिक लेबल प्रदान करके एनोटेशन कार्यप्रवाह को तेज़ करता है, जिन्हें शुरू से बनाने के बजाय समीक्षा और सुधार किया जा सकता है
स्तरीकृत डेटा सैंपलिंग: विशिष्ट मानदंडों के आधार पर डेटा को चयनात्मक रूप से एकत्र करने के लिए प्रायिकीय सैंपलिंग को दर-सीमितीकरण और कोटा के साथ संयोजित करें (उदा., फ़िल्टर पास करने वाले डिटेक्शनों का 30% सैंपल करें), ताकि भंडारण या एनोटेशन संसाधनों पर बोझ डाले बिना विविध और संतुलित डेटासेट संग्रह सुनिश्चित हो
बैच-आधारित लेबलिंग कार्यप्रवाह: स्वचालित पुनर्निर्माण अनुसूचियों (दैनिक, साप्ताहिक, मासिक) वाले बैचों में अपलोड किए गए डेटा को व्यवस्थित करें, जिससे लेबलिंग कार्यों का प्रबंधन, प्रगति ट्रैक करना और समय के साथ डेटा संग्रह प्रयासों को संगठित करना आसान हो

अन्य ब्लॉकों से जोड़ना

यह ब्लॉक कार्यप्रवाह चरणों से डेटा प्राप्त करता है और इसे Roboflow में अपलोड करता है:

डिटेक्शन या विश्लेषण ब्लॉक्स के बाद (उदा., ऑब्जेक्ट डिटेक्शन मॉडल, इंस्टेंस सेगमेंटेशन मॉडल, वर्गीकरण मॉडल, कीपॉइंट डिटेक्शन मॉडल) ताकि छवियों को उनकी भविष्यवाणियों के साथ अपलोड किया जा सके, जिससे मॉडल आउटपुट वाले इन्फ़ेरेंस डेटा को एनोटेशन और पुनः प्रशिक्षण के लिए एकत्र करके सक्रिय शिक्षण संभव हो
फ़िल्टरिंग या विश्लेषण ब्लॉकों के बाद (उदा., Detections Filter, Continue If, Overlap Filter) ताकि चयनात्मक रूप से केवल विशिष्ट प्रकार का डेटा अपलोड किया जा सके (उदा., कम-विश्वास डिटेक्शन, ओवरलैपिंग ऑब्जेक्ट्स, विशिष्ट वर्ग), और डेटा संग्रह को मूल्यवान सीमा-स्थितियों या रोचक परिदृश्यों पर केंद्रित किया जा सके
दर-सीमितीकरण ब्लॉकों के बाद (उदा., Rate Limiter) ताकि अपलोड आवृत्ति को नियंत्रित किया जा सके और उपयोग कोटा के भीतर रहा जा सके, जिससे नियंत्रित डेटा संग्रह सुनिश्चित हो जो दर सीमाओं का सम्मान करता है और अत्यधिक भंडारण उपयोग को रोकता है
छवि इनपुट या प्रीप्रोसेसिंग ब्लॉक कच्ची छवियाँ या प्रोसेस की गई छवियाँ (उदा., क्रॉप्स, परिवर्तित छवियाँ) बिना भविष्यवाणियों के अपलोड करने के लिए, जिससे भविष्य के लेबलिंग या विश्लेषण के लिए छवि डेटा का संग्रह संभव हो
सशर्त कार्यप्रवाह फ्लो कंट्रोल ब्लॉकों (उदा., Continue If) का उपयोग करके केवल तब डेटा अपलोड करें जब कुछ शर्तें पूरी हों (उदा., केवल तब अपलोड करें जब डिटेक्शन गिनती थ्रेशहोल्ड से अधिक हो, केवल त्रुटियाँ या विफलताएँ अपलोड करें), जिससे कार्यप्रवाह स्थिति के आधार पर चयनात्मक डेटा संग्रह संभव हो
बैच प्रोसेसिंग कार्यप्रवाह जहाँ कई छवियाँ या भविष्यवाणियाँ उत्पन्न होती हैं, जिससे कार्यप्रवाह आउटपुट का Roboflow डेटासेट में बल्क अपलोड संभव होता है, प्रायिकीय सैंपलिंग के साथ संगठित और लागत-प्रभावी डेटा संग्रह के लिए

प्रकार पहचानकर्ता

स्टेप में निम्नलिखित पहचानकर्ता का उपयोग करें "type" फील्ड: roboflow_core/roboflow_dataset_upload@v2 अपने वर्कफ़्लो में ब्लॉक को एक स्टेप के रूप में जोड़ने के लिए।

गुण

नाम

प्रकार

विवरण

संदर्भ

name

str

इस स्टेप के लिए एक अद्वितीय पहचानकर्ता दर्ज करें..

❌

target_project

str

Roboflow प्रोजेक्ट पहचानकर्ता जहाँ अपलोड की गई छवियाँ और एनोटेशन सहेजे जाएँगे। यह आपके Roboflow workspace में एक वैध प्रोजेक्ट होना चाहिए। प्रोजेक्ट नाम सीधे निर्दिष्ट किया जा सकता है या कार्यप्रवाह इनपुट से संदर्भित किया जा सकता है..

✅

data_percentage

float

अपलोड के लिए यादृच्छिक रूप से सैंपल किए जाने वाले इनपुट डेटा का प्रतिशत (0.0 से 100.0)। यह प्रायिकीय डेटा संग्रह सक्षम करता है जहाँ केवल इनपुट का एक उपसमुच्चय अपलोड होता है, जिससे भंडारण और एनोटेशन लागत कम होती है। उदाहरण के लिए, 25.0 लगभग 25% छवियाँ अपलोड करता है (औसतन हर चार में से एक), 50.0 आधा, और 100.0 सब कुछ (कोई सैंपलिंग नहीं)। यादृच्छिक सैंपलिंग कोटा जाँच और छवि प्रोसेसिंग से पहले होती है, जिससे यह बड़े पैमाने के डेटा संग्रह कार्यप्रवाहों के लिए कुशल बनती है..

✅

minutely_usage_limit

int

इस कोटा के लिए प्रति मिनट अनुमत छवि अपलोड की अधिकतम संख्या। उपयोग कोटा प्रणाली का हिस्सा जो सक्रिय शिक्षण डेटा संग्रह के लिए दर सीमाएँ लागू करती है। इस सीमा से अधिक अपलोड को अत्यधिक डेटा संग्रह रोकने के लिए छोड़ दिया जाता है। बहु-स्तरीय दर-सीमितीकरण प्रदान करने के लिए hourly_usage_limit और daily_usage_limit के साथ काम करता है। नोट: इस कोटे की जाँच data_percentage के माध्यम से प्रायिकीय सैंपलिंग के बाद की जाती है..

❌

hourly_usage_limit

int

इस कोटा के लिए प्रति घंटे अनुमत छवि अपलोड की अधिकतम संख्या। उपयोग कोटा प्रणाली का हिस्सा जो सक्रिय शिक्षण डेटा संग्रह के लिए दर सीमाएँ लागू करती है। इस सीमा से अधिक अपलोड को अत्यधिक डेटा संग्रह रोकने के लिए छोड़ दिया जाता है। बहु-स्तरीय दर-सीमितीकरण प्रदान करने के लिए minutely_usage_limit और daily_usage_limit के साथ काम करता है। नोट: इस कोटे की जाँच data_percentage के माध्यम से प्रायिकीय सैंपलिंग के बाद की जाती है..

❌

daily_usage_limit

int

इस कोटा के लिए प्रति दिन अनुमत छवि अपलोड की अधिकतम संख्या। उपयोग कोटा प्रणाली का हिस्सा जो सक्रिय शिक्षण डेटा संग्रह के लिए दर सीमाएँ लागू करती है। इस सीमा से अधिक अपलोड को अत्यधिक डेटा संग्रह रोकने के लिए छोड़ दिया जाता है। बहु-स्तरीय दर-सीमितीकरण प्रदान करने के लिए minutely_usage_limit और hourly_usage_limit के साथ काम करता है। नोट: इस कोटे की जाँच data_percentage के माध्यम से प्रायिकीय सैंपलिंग के बाद की जाती है..

❌

usage_quota_name

str

उपयोग कोटा (मिनटवार, घंटेवार, दैनिक सीमाएँ) को ट्रैक करने के लिए अद्वितीय पहचानकर्ता। अनेक अपलोड ऑपरेशनों में दर-सीमितीकरण प्रबंधन के लिए आंतरिक रूप से उपयोग किया जाता है। प्रत्येक अद्वितीय कोटा नाम अलग-अलग काउंटर बनाए रखता है, जिससे विभिन्न अपलोड रणनीतियों या डेटा संग्रह कार्यप्रवाहों के अपने स्वतंत्र दर-सीमाएँ हो सकती हैं..

❌

max_image_size

Tuple[int, int]

अपलोड की गई छवियों के लिए अधिकतम आयाम (चौड़ाई, ऊँचाई)। इन आयामों से बड़ी छवियों का अपलोड से पहले उनके आस्पेक्ट अनुपात को बनाए रखते हुए स्वचालित रूप से आकार बदला जाता है। उच्च-रिज़ॉल्यूशन डेटा संग्रह के लिए डिफ़ॉल्ट (1920, 1080) है। कुशल भंडारण और तेज़ अपलोड के लिए छोटे आकार (उदा., (512, 512)) का उपयोग करें, या छवि गुणवत्ता बनाए रखने के लिए डिफ़ॉल्ट रखें..

❌

compression_level

int

अपलोड की गई छवियों के लिए JPEG संपीड़न गुणवत्ता स्तर, जो 1 (सबसे अधिक संपीड़न, सबसे छोटा फ़ाइल आकार, कम गुणवत्ता) से 100 (कोई संपीड़न नहीं, सबसे बड़ा फ़ाइल आकार, सर्वोच्च गुणवत्ता) तक होता है। डिफ़ॉल्ट 95 छवि गुणवत्ता को बेहतर बनाए रखने के लिए है। उच्च मान अधिक छवि गुणवत्ता बनाए रखते हैं लेकिन भंडारण और बैंडविड्थ उपयोग बढ़ाते हैं। संतुलित गुणवत्ता और आकार के लिए सामान्य मान 70-95 के बीच होते हैं..

❌

registration_tags

List[str]

Roboflow में संगठन और फ़िल्टरिंग के लिए अपलोड की गई छवियों के साथ जोड़ने हेतु टैगों की सूची। टैग स्थिर स्ट्रिंग हो सकते हैं (उदा., 'location-florida', 'camera-1') या कार्यप्रवाह इनपुट से गतिशील मान हो सकते हैं। टैग एकत्रित डेटा को व्यवस्थित करने, Roboflow में छवियों को फ़िल्टर करने, और डेटासेट प्रबंधन के लिए मेटाडेटा जोड़ने में मदद करते हैं। यदि टैग की आवश्यकता नहीं है तो यह एक खाली सूची हो सकती है..

✅

persist_predictions

bool

यदि True, तो मॉडल भविष्यवाणियाँ छवियों के साथ-साथ Roboflow डेटासेट में एनोटेशन (प्री-लेबल) के रूप में सहेजी जाती हैं। इससे भविष्यवाणियाँ एनोटेशन के प्रारंभिक बिंदु के रूप में काम कर सकती हैं, जिससे समीक्षक शुरू से बनाने के बजाय लेबलों को सुधार या स्वीकृत कर सकते हैं। यदि False, तो केवल छवियाँ बिना एनोटेशन के अपलोड की जाती हैं। इसे सक्षम करने से प्रारंभिक लेबल देकर एनोटेशन कार्यप्रवाह तेज़ होता है..

✅

disable_sink

bool

यदि True, तो ब्लॉक निष्पादन अक्षम हो जाता है और कोई अपलोड नहीं होता। यह ब्लॉक को कार्यप्रवाहों से हटाए बिना डेटा संग्रह को अस्थायी रूप से बंद करने की सुविधा देता है, जो परीक्षण, डिबगिंग, या सशर्त डेटा संग्रह के लिए उपयोगी है। अक्षम होने पर, सिंक अक्षम होने का संकेत देने वाला संदेश लौटाता है। डिफ़ॉल्ट False है (अपलोड सक्षम)..

✅

fire_and_forget

bool

यदि True, तो अपलोड असमकालिक रूप से (fire-and-forget मोड) निष्पादित होते हैं, जिससे कार्यप्रवाह अपलोड पूर्ण होने की प्रतीक्षा किए बिना तुरंत जारी रह सकता है। इससे कार्यप्रवाह प्रदर्शन बेहतर होता है, लेकिन त्रुटि हैंडलिंग संभव नहीं होती। यदि False, तो अपलोड समकालिक रूप से निष्पादित होते हैं, जो पूर्ण होने तक कार्यप्रवाह निष्पादन को रोकते हैं और उचित त्रुटि हैंडलिंग तथा स्थिति रिपोर्टिंग की अनुमति देते हैं। जहाँ गति प्राथमिकता हो वहाँ उत्पादन कार्यप्रवाहों के लिए असमकालिक मोड (True) का उपयोग करें, और डिबगिंग या जब त्रुटि हैंडलिंग महत्वपूर्ण हो तब समकालिक मोड (False) का उपयोग करें..

✅

labeling_batch_prefix

str

Roboflow में अपलोड की गई छवियों को व्यवस्थित करने के लिए लेबलिंग बैच नाम उत्पन्न करने हेतु उपयोग किया जाने वाला उपसर्ग। बैच पुनर्निर्माण आवृत्ति और टाइमस्टैम्प के साथ मिलकर 'workflows_data_collector_2024_01_15' जैसे बैच नाम बनाता है। बैच एकत्रित डेटा को लेबलिंग के लिए व्यवस्थित करने में मदद करते हैं, जिससे समूहों में अपलोड की गई छवियों का प्रबंधन और समीक्षा आसान हो जाती है। इसे आपके संगठनात्मक ढाँचे के अनुसार अनुकूलित किया जा सकता है..

✅

labeling_batches_recreation_frequency

str

जिस आवृत्ति पर अपलोड की गई छवियों के लिए नए लेबलिंग बैच स्वचालित रूप से बनाए जाते हैं। विकल्प: 'never' (सभी छवियाँ एक ही बैच में जाती हैं), 'daily' (हर दिन नया बैच), 'weekly' (हर सप्ताह नया बैच), 'monthly' (हर महीने नया बैच)। विशिष्ट बैच नाम बनाने के लिए टाइमस्टैम्प को labeling_batch_prefix में जोड़ा जाता है। समय-आधारित बैचों में अपलोड को स्वचालित रूप से व्यवस्थित करना डेटासेट प्रबंधन को सरल बनाता है और समय के साथ एकत्रित डेटा को ट्रैक और समीक्षा करना आसान बनाता है..

❌

image_name

str

अपलोड की गई छवि के लिए वैकल्पिक कस्टम नाम। यह तब उपयोगी है जब आप मूल फ़ाइलनाम बनाए रखना चाहते हैं या Roboflow डेटासेट में छवि के लिए कोई अर्थपूर्ण पहचानकर्ता (उदा., सीरियल नंबर, टाइमस्टैम्प) उपयोग करना चाहते हैं। नाम में फ़ाइल एक्सटेंशन शामिल नहीं होना चाहिए। यदि प्रदान नहीं किया गया, तो एक UUID स्वचालित रूप से जनरेट किया जाएगा..

✅

metadata

Dict[str, Union[bool, float, int, str]]

अपलोड की गई छवियों के साथ जोड़ने के लिए वैकल्पिक की-वैल्यू मेटाडेटा। मेटाडेटा Roboflow में छवि पर user_metadata के रूप में संग्रहीत होता है और फ़िल्टरिंग तथा संगठन के लिए उपयोग किया जा सकता है। मान स्थिर स्ट्रिंग, संख्याएँ, बूलियन, या कार्यप्रवाह इनपुट/चरणों के संदर्भ हो सकते हैं..

✅

यह संदर्भ कॉलम यह दर्शाता है कि प्रॉपर्टी को गतिशील मानों के साथ पैरामीटराइज़ किया जा सकता है, जो वर्कफ़्लो रनटाइम में उपलब्ध हैं। अधिक जानकारी के लिए देखें Bindings ।

रनटाइम संगतता

requires_internet - air-gapped / offline deployments : यह ब्लॉक ऐसी सेवा पर निर्भर करता है जो पूरी तरह ऑफ़लाइन / air-gapped परिनियोजनों से उपलब्ध नहीं है।

इनपुट और आउटपुट बाइंडिंग्स

उपलब्ध कनेक्शन उसके बाइंडिंग प्रकारों पर निर्भर करते हैं। जाँचें कि कौन-से बाइंडिंग प्रकार Roboflow डेटासेट अपलोड संस्करण में v2 है।

इनपुट और आउटपुट बाइंडिंग्स

इनपुट
- छवियाँ (image): Roboflow डेटासेट में अपलोड करने के लिए छवि(याँ)। यह एकल छवि या कार्यप्रवाह इनपुट अथवा प्रोसेसिंग चरणों से छवियों का बैच हो सकता है। छवियों को data_percentage के आधार पर यादृच्छिक रूप से सैंपल किया जाता है, max_image_size से अधिक होने पर उनका आकार बदला जाता है, और अपलोड से पहले संपीड़ित किया जाता है। बैच प्रोसेसिंग का समर्थन करता है..
- target_project (roboflow_project): Roboflow प्रोजेक्ट पहचानकर्ता जहाँ अपलोड की गई छवियाँ और एनोटेशन सहेजे जाएँगे। यह आपके Roboflow workspace में एक वैध प्रोजेक्ट होना चाहिए। प्रोजेक्ट नाम सीधे निर्दिष्ट किया जा सकता है या कार्यप्रवाह इनपुट से संदर्भित किया जा सकता है..
- भविष्यवाणियाँ (Union[classification_prediction, instance_segmentation_prediction, keypoint_detection_prediction, object_detection_prediction]): छवियों के साथ अपलोड करने के लिए वैकल्पिक मॉडल भविष्यवाणियाँ। जब persist_predictions सक्षम होता है, तो भविष्यवाणियाँ Roboflow डेटासेट में एनोटेशन (प्री-लेबल) के रूप में सहेजी जाती हैं, जिससे भविष्यवाणियाँ एनोटेशन समीक्षा और सुधार के प्रारंभिक बिंदु के रूप में काम कर सकती हैं। ऑब्जेक्ट डिटेक्शन, इंस्टेंस सेगमेंटेशन, कीपॉइंट डिटेक्शन, और वर्गीकरण भविष्यवाणियों का समर्थन करता है। यदि None है, तो केवल छवियाँ अपलोड की जाती हैं..
- data_percentage (float): अपलोड के लिए यादृच्छिक रूप से सैंपल किए जाने वाले इनपुट डेटा का प्रतिशत (0.0 से 100.0)। यह प्रायिकीय डेटा संग्रह सक्षम करता है जहाँ केवल इनपुट का एक उपसमुच्चय अपलोड होता है, जिससे भंडारण और एनोटेशन लागत कम होती है। उदाहरण के लिए, 25.0 लगभग 25% छवियाँ अपलोड करता है (औसतन हर चार में से एक), 50.0 आधा, और 100.0 सब कुछ (कोई सैंपलिंग नहीं)। यादृच्छिक सैंपलिंग कोटा जाँच और छवि प्रोसेसिंग से पहले होती है, जिससे यह बड़े पैमाने के डेटा संग्रह कार्यप्रवाहों के लिए कुशल बनती है..
- registration_tags (Union[list_of_values, स्ट्रिंग]): Roboflow में संगठन और फ़िल्टरिंग के लिए अपलोड की गई छवियों के साथ जोड़ने हेतु टैगों की सूची। टैग स्थिर स्ट्रिंग हो सकते हैं (उदा., 'location-florida', 'camera-1') या कार्यप्रवाह इनपुट से गतिशील मान हो सकते हैं। टैग एकत्रित डेटा को व्यवस्थित करने, Roboflow में छवियों को फ़िल्टर करने, और डेटासेट प्रबंधन के लिए मेटाडेटा जोड़ने में मदद करते हैं। यदि टैग की आवश्यकता नहीं है तो यह एक खाली सूची हो सकती है..
- persist_predictions (boolean): यदि True, तो मॉडल भविष्यवाणियाँ छवियों के साथ-साथ Roboflow डेटासेट में एनोटेशन (प्री-लेबल) के रूप में सहेजी जाती हैं। इससे भविष्यवाणियाँ एनोटेशन के प्रारंभिक बिंदु के रूप में काम कर सकती हैं, जिससे समीक्षक शुरू से बनाने के बजाय लेबलों को सुधार या स्वीकृत कर सकते हैं। यदि False, तो केवल छवियाँ बिना एनोटेशन के अपलोड की जाती हैं। इसे सक्षम करने से प्रारंभिक लेबल देकर एनोटेशन कार्यप्रवाह तेज़ होता है..
- disable_sink (boolean): यदि True, तो ब्लॉक निष्पादन अक्षम हो जाता है और कोई अपलोड नहीं होता। यह ब्लॉक को कार्यप्रवाहों से हटाए बिना डेटा संग्रह को अस्थायी रूप से बंद करने की सुविधा देता है, जो परीक्षण, डिबगिंग, या सशर्त डेटा संग्रह के लिए उपयोगी है। अक्षम होने पर, सिंक अक्षम होने का संकेत देने वाला संदेश लौटाता है। डिफ़ॉल्ट False है (अपलोड सक्षम)..
- fire_and_forget (boolean): यदि True, तो अपलोड असमकालिक रूप से (fire-and-forget मोड) निष्पादित होते हैं, जिससे कार्यप्रवाह अपलोड पूर्ण होने की प्रतीक्षा किए बिना तुरंत जारी रह सकता है। इससे कार्यप्रवाह प्रदर्शन बेहतर होता है, लेकिन त्रुटि हैंडलिंग संभव नहीं होती। यदि False, तो अपलोड समकालिक रूप से निष्पादित होते हैं, जो पूर्ण होने तक कार्यप्रवाह निष्पादन को रोकते हैं और उचित त्रुटि हैंडलिंग तथा स्थिति रिपोर्टिंग की अनुमति देते हैं। जहाँ गति प्राथमिकता हो वहाँ उत्पादन कार्यप्रवाहों के लिए असमकालिक मोड (True) का उपयोग करें, और डिबगिंग या जब त्रुटि हैंडलिंग महत्वपूर्ण हो तब समकालिक मोड (False) का उपयोग करें..
- labeling_batch_prefix (स्ट्रिंग): Roboflow में अपलोड की गई छवियों को व्यवस्थित करने के लिए लेबलिंग बैच नाम उत्पन्न करने हेतु उपयोग किया जाने वाला उपसर्ग। बैच पुनर्निर्माण आवृत्ति और टाइमस्टैम्प के साथ मिलकर 'workflows_data_collector_2024_01_15' जैसे बैच नाम बनाता है। बैच एकत्रित डेटा को लेबलिंग के लिए व्यवस्थित करने में मदद करते हैं, जिससे समूहों में अपलोड की गई छवियों का प्रबंधन और समीक्षा आसान हो जाती है। इसे आपके संगठनात्मक ढाँचे के अनुसार अनुकूलित किया जा सकता है..
- image_name (स्ट्रिंग): अपलोड की गई छवि के लिए वैकल्पिक कस्टम नाम। यह तब उपयोगी है जब आप मूल फ़ाइलनाम बनाए रखना चाहते हैं या Roboflow डेटासेट में छवि के लिए कोई अर्थपूर्ण पहचानकर्ता (उदा., सीरियल नंबर, टाइमस्टैम्प) उपयोग करना चाहते हैं। नाम में फ़ाइल एक्सटेंशन शामिल नहीं होना चाहिए। यदि प्रदान नहीं किया गया, तो एक UUID स्वचालित रूप से जनरेट किया जाएगा..
- metadata (*): अपलोड की गई छवियों के साथ जोड़ने के लिए वैकल्पिक की-वैल्यू मेटाडेटा। मेटाडेटा Roboflow में छवि पर user_metadata के रूप में संग्रहीत होता है और फ़िल्टरिंग तथा संगठन के लिए उपयोग किया जा सकता है। मान स्थिर स्ट्रिंग, संख्याएँ, बूलियन, या कार्यप्रवाह इनपुट/चरणों के संदर्भ हो सकते हैं..
आउटपुट
- त्रुटि_स्थिति (boolean): बूलियन फ़्लैग।
- संदेश (स्ट्रिंग): स्ट्रिंग मान।

उदाहरण JSON परिभाषा

{
	    "name": "<your_step_name_here>",
	    "type": "roboflow_core/roboflow_dataset_upload@v2",
	    "images": "$inputs.image",
	    "target_project": "my_dataset",
	    "predictions": "$steps.object_detection_model.predictions",
	    "data_percentage": 100,
	    "minutely_usage_limit": 10,
	    "hourly_usage_limit": 10,
	    "daily_usage_limit": 10,
	    "usage_quota_name": "quota-for-data-sampling-1",
	    "max_image_size": [
	        1920,
	        1080
	    ],
	    "compression_level": 95,
	    "registration_tags": [
	        "location-florida",
	        "factory-name",
	        "$inputs.dynamic_tag"
	    ],
	    "persist_predictions": true,
	    "disable_sink": true,
	    "fire_and_forget": "<block_does_not_provide_example>",
	    "labeling_batch_prefix": "my_labeling_batch_name",
	    "labeling_batches_recreation_frequency": "never",
	    "image_name": "serial_12345",
	    "metadata": {
	        "camera_id": "cam_01",
	        "location": "$inputs.location"
	    }
	}

v1

सक्रिय शिक्षण, मॉडल सुधार और डेटा संग्रह के लिए छवियों और मॉडल भविष्यवाणियों को Roboflow डेटासेट में अपलोड करें, जिसमें कॉन्फ़िगर करने योग्य उपयोग कोटा, बैच संगठन, छवि संपीड़न और वैकल्पिक एनोटेशन स्थायित्व शामिल हैं.

यह ब्लॉक कैसे काम करता है

इनपुट के रूप में छवियाँ और वैकल्पिक मॉडल भविष्यवाणियाँ (ऑब्जेक्ट डिटेक्शन, इंस्टेंस सेगमेंटेशन, कीपॉइंट डिटेक्शन, या वर्गीकरण) लेता है
सत्यापित करता है कि Roboflow API कुंजी उपलब्ध है (अपलोड करने के लिए आवश्यक)
उपयोग कोटा (मिनटवार, घंटेवार, दैनिक सीमाएँ) की जाँच करता है ताकि यह सुनिश्चित हो सके कि अपलोड सक्रिय शिक्षण रणनीतियों के लिए कॉन्फ़िगर की गई दर सीमाओं के भीतर रहें
यदि छवियाँ अधिकतम आकार से बड़ी हों, तो उनका आकार बदलकर (आस्पेक्ट अनुपात बनाए रखते हुए) और निर्दिष्ट गुणवत्ता स्तर तक संपीड़ित करके छवियों को तैयार करता है
उपसर्ग और बैच निर्माण आवृत्ति (कभी नहीं, दैनिक, साप्ताहिक, या मासिक) के आधार पर लेबलिंग बैच नाम उत्पन्न करता है, और अपलोड किए गए डेटा को बैचों में व्यवस्थित करता है
वैकल्पिक रूप से मॉडल भविष्यवाणियों को एनोटेशन के रूप में स्थायी करता है यदि persist_predictions सक्षम है, जिससे भविष्यवाणियाँ समीक्षा और सुधार के लिए प्री-लेबल के रूप में काम कर सकती हैं
Roboflow प्लेटफ़ॉर्म में संगठन और फ़िल्टरिंग के लिए छवियों के साथ पंजीकरण टैग जोड़ता है
Roboflow API के माध्यम से निर्दिष्ट Roboflow प्रोजेक्ट में छवि (और यदि सक्षम हो तो एनोटेशन) पंजीकृत करता है
के आधार पर समकालिक या असमकालिक रूप से निष्पादित करता है fire_and_forget सेटिंग, जिससे तेज़ कार्यप्रवाह निष्पादन के लिए गैर-अवरोधक अपलोड संभव होते हैं
त्रुटि स्थिति लौटाता है और संदेश जो अपलोड की सफलता या विफलता दर्शाते हैं

यह ब्लॉक उपयोग कोटा लागू करके सक्रिय शिक्षण कार्यप्रवाहों का समर्थन करता है जो अत्यधिक डेटा संग्रह को रोकते हैं, और दर सीमाओं के भीतर मूल्यवान प्रशिक्षण डेटा एकत्र करने पर ध्यान केंद्रित करने में मदद करते हैं। छवियों को लेबलिंग बैचों में व्यवस्थित किया जाता है जिन्हें अनुसूची के अनुसार (दैनिक, साप्ताहिक, मासिक) स्वचालित रूप से फिर से बनाया जा सकता है, जिससे समय के साथ एकत्रित डेटा का प्रबंधन और समीक्षा आसान हो जाती है। यह ब्लॉक fire-and-forget मोड में असमकालिक निष्पादन के लिए काम कर सकता है, जिससे कार्यप्रवाह अपलोड पूरे होने की प्रतीक्षा किए बिना प्रोसेसिंग जारी रख सकते हैं, या डिबगिंग और त्रुटि हैंडलिंग के लिए समकालिक रूप से।

आवश्यकताएँ

सामान्य उपयोग के मामले

सक्रिय शिक्षण डेटा संग्रह: प्रोडक्शन परिवेशों से छवियाँ और भविष्यवाणियाँ एकत्र करें जहाँ मॉडल संघर्ष करते हैं या अनिश्चित होते हैं (उदा., कम-विश्वास वाली डिटेक्शन, सीमा-स्थितियाँ), जिससे पुनः प्रशिक्षण के लिए चुनौतीपूर्ण उदाहरणों को इकट्ठा करके चरणबद्ध मॉडल सुधार संभव हो
प्रोडक्शन डेटा लॉगिंग: निगरानी, विश्लेषण और भविष्य के मॉडल प्रशिक्षण के लिए प्रोडक्शन इन्फ़ेरेंस डेटा को लगातार Roboflow डेटासेट में अपलोड करें, जिससे वास्तविक-विश्व परिनियोजनों से एक बढ़ता हुआ डेटासेट बने
प्री-लेबल्ड डेटा संग्रह: मॉडल भविष्यवाणियों के साथ छवियाँ प्री-लेबल के रूप में अपलोड करें (जब persist_predictions सक्षम हो), प्रारंभिक लेबल प्रदान करके एनोटेशन कार्यप्रवाह को तेज़ करता है, जिन्हें शुरू से बनाने के बजाय समीक्षा और सुधार किया जा सकता है
स्तरीकृत डेटा सैंपलिंग: चयनात्मक रूप से डेटा एकत्र करने के लिए दर-सीमितीकरण और कोटा का उपयोग करें, विशिष्ट मानदंडों के आधार पर (उदा., Rate Limiter या Continue If ब्लॉकों के साथ संयोजित करें), ताकि भंडारण या एनोटेशन संसाधनों पर बोझ डाले बिना विविध और संतुलित डेटासेट संग्रह सुनिश्चित हो
बैच-आधारित लेबलिंग कार्यप्रवाह: स्वचालित पुनर्निर्माण अनुसूचियों (दैनिक, साप्ताहिक, मासिक) वाले बैचों में अपलोड किए गए डेटा को व्यवस्थित करें, जिससे लेबलिंग कार्यों का प्रबंधन, प्रगति ट्रैक करना और समय के साथ डेटा संग्रह प्रयासों को संगठित करना आसान हो
टैग किए गए डेटा का संगठन: अपलोड की गई छवियों में मेटाडेटा टैग जोड़ें (उदा., स्थान, कैमरा आईडी, समय अवधि, मॉडल संस्करण), जिससे बेहतर डेटासेट प्रबंधन और विश्लेषण के लिए Roboflow में एकत्रित डेटा को फ़िल्टर और व्यवस्थित करना संभव हो

अन्य ब्लॉकों से जोड़ना

डिटेक्शन या विश्लेषण ब्लॉक्स के बाद (उदा., ऑब्जेक्ट डिटेक्शन मॉडल, इंस्टेंस सेगमेंटेशन मॉडल, वर्गीकरण मॉडल, कीपॉइंट डिटेक्शन मॉडल) ताकि छवियों को उनकी भविष्यवाणियों के साथ अपलोड किया जा सके, जिससे मॉडल आउटपुट वाले इन्फ़ेरेंस डेटा को एनोटेशन और पुनः प्रशिक्षण के लिए एकत्र करके सक्रिय शिक्षण संभव हो
फ़िल्टरिंग या विश्लेषण ब्लॉकों के बाद (उदा., Detections Filter, Continue If, Overlap Filter) ताकि चयनात्मक रूप से केवल विशिष्ट प्रकार का डेटा अपलोड किया जा सके (उदा., कम-विश्वास डिटेक्शन, ओवरलैपिंग ऑब्जेक्ट्स, विशिष्ट वर्ग), और डेटा संग्रह को मूल्यवान सीमा-स्थितियों या रोचक परिदृश्यों पर केंद्रित किया जा सके
दर-सीमितीकरण ब्लॉकों के बाद (उदा., Rate Limiter) ताकि अपलोड आवृत्ति को नियंत्रित किया जा सके और उपयोग कोटा के भीतर रहा जा सके, जिससे नियंत्रित डेटा संग्रह सुनिश्चित हो जो दर सीमाओं का सम्मान करता है और अत्यधिक भंडारण उपयोग को रोकता है
छवि इनपुट या प्रीप्रोसेसिंग ब्लॉक कच्ची छवियाँ या प्रोसेस की गई छवियाँ (उदा., क्रॉप्स, परिवर्तित छवियाँ) बिना भविष्यवाणियों के अपलोड करने के लिए, जिससे भविष्य के लेबलिंग या विश्लेषण के लिए छवि डेटा का संग्रह संभव हो
सशर्त कार्यप्रवाह फ्लो कंट्रोल ब्लॉकों (उदा., Continue If) का उपयोग करके केवल तब डेटा अपलोड करें जब कुछ शर्तें पूरी हों (उदा., केवल तब अपलोड करें जब डिटेक्शन गिनती थ्रेशहोल्ड से अधिक हो, केवल त्रुटियाँ या विफलताएँ अपलोड करें), जिससे कार्यप्रवाह स्थिति के आधार पर चयनात्मक डेटा संग्रह संभव हो
बैच प्रोसेसिंग कार्यप्रवाह जहाँ कई छवियाँ या भविष्यवाणियाँ उत्पन्न होती हैं, जिससे कार्यप्रवाह आउटपुट का Roboflow डेटासेट में बल्क अपलोड संभव होता है, संगठित डेटा संग्रह और प्रबंधन के लिए

प्रकार पहचानकर्ता

स्टेप में निम्नलिखित पहचानकर्ता का उपयोग करें "type" फील्ड: roboflow_core/roboflow_dataset_upload@v1 अपने वर्कफ़्लो में ब्लॉक को एक स्टेप के रूप में जोड़ने के लिए।

गुण

नाम

प्रकार

विवरण

संदर्भ

name

str

इस स्टेप के लिए एक अद्वितीय पहचानकर्ता दर्ज करें..

❌

target_project

str

✅

minutely_usage_limit

int

❌

hourly_usage_limit

int

❌

daily_usage_limit

int

❌

usage_quota_name

str

❌

max_image_size

Tuple[int, int]

अपलोड की गई छवियों के लिए अधिकतम आयाम (चौड़ाई, ऊँचाई)। इन आयामों से बड़ी छवियों का अपलोड से पहले उनके आस्पेक्ट अनुपात को बनाए रखते हुए स्वचालित रूप से आकार बदला जाता है। छोटे आकार भंडारण और बैंडविड्थ कम करते हैं लेकिन छवि गुणवत्ता में कमी आ सकती है। उच्च-रिज़ॉल्यूशन डेटा संग्रह के लिए बड़े आकार (उदा., (1920, 1080)) का उपयोग करें, या कुशल भंडारण और तेज़ अपलोड के लिए छोटे आकार (उदा., (512, 512)) का उपयोग करें..

❌

compression_level

int

अपलोड की गई छवियों के लिए JPEG संपीड़न गुणवत्ता स्तर, जो 1 (सबसे अधिक संपीड़न, सबसे छोटा फ़ाइल आकार, कम गुणवत्ता) से 100 (कोई संपीड़न नहीं, सबसे बड़ा फ़ाइल आकार, सर्वोच्च गुणवत्ता) तक होता है। उच्च मान अधिक छवि गुणवत्ता बनाए रखते हैं लेकिन भंडारण और बैंडविड्थ उपयोग बढ़ाते हैं। संतुलित गुणवत्ता और आकार के लिए सामान्य मान 70-90 के बीच होते हैं। 75 का डिफ़ॉल्ट उचित फ़ाइल आकार के साथ अच्छी गुणवत्ता प्रदान करता है..

❌

registration_tags

List[str]

✅

persist_predictions

bool

❌

disable_sink

bool

✅

fire_and_forget

bool

✅

labeling_batch_prefix

str

✅

labeling_batches_recreation_frequency

str

❌

image_name

str

अपलोड की गई छवि के लिए वैकल्पिक कस्टम नाम। यदि प्रदान किया गया, तो यह नाम स्वतः-जनरेट किए गए UUID के बजाय उपयोग किया जाएगा। यह तब उपयोगी है जब आप मूल फ़ाइलनाम बनाए रखना चाहते हैं या Roboflow डेटासेट में छवि के लिए कोई अर्थपूर्ण पहचानकर्ता (उदा., सीरियल नंबर, टाइमस्टैम्प) उपयोग करना चाहते हैं। नाम में फ़ाइल एक्सटेंशन शामिल नहीं होना चाहिए। यदि प्रदान नहीं किया गया, तो एक UUID स्वचालित रूप से जनरेट किया जाएगा..

✅

रनटाइम संगतता

इनपुट और आउटपुट बाइंडिंग्स

उपलब्ध कनेक्शन उसके बाइंडिंग प्रकारों पर निर्भर करते हैं। जाँचें कि कौन-से बाइंडिंग प्रकार Roboflow डेटासेट अपलोड संस्करण में v1 है।

इनपुट और आउटपुट बाइंडिंग्स

इनपुट
- image (image): Roboflow डेटासेट में अपलोड करने के लिए छवि(याँ)। यह एकल छवि या कार्यप्रवाह इनपुट अथवा प्रोसेसिंग चरणों से छवियों का बैच हो सकता है। यदि छवियाँ max_image_size से बड़ी हों, तो उनका आकार बदला जाता है और अपलोड से पहले संपीड़ित किया जाता है। बैच प्रोसेसिंग का समर्थन करता है..
- भविष्यवाणियाँ (Union[classification_prediction, instance_segmentation_prediction, keypoint_detection_prediction, object_detection_prediction]): छवियों के साथ अपलोड करने के लिए वैकल्पिक मॉडल भविष्यवाणियाँ। जब persist_predictions सक्षम होता है, तो भविष्यवाणियाँ Roboflow डेटासेट में एनोटेशन (प्री-लेबल) के रूप में सहेजी जाती हैं, जिससे भविष्यवाणियाँ एनोटेशन समीक्षा और सुधार के प्रारंभिक बिंदु के रूप में काम कर सकती हैं। ऑब्जेक्ट डिटेक्शन, इंस्टेंस सेगमेंटेशन, कीपॉइंट डिटेक्शन, और वर्गीकरण भविष्यवाणियों का समर्थन करता है। यदि None है, तो केवल छवियाँ अपलोड की जाती हैं..
- target_project (roboflow_project): Roboflow प्रोजेक्ट पहचानकर्ता जहाँ अपलोड की गई छवियाँ और एनोटेशन सहेजे जाएँगे। यह आपके Roboflow workspace में एक वैध प्रोजेक्ट होना चाहिए। प्रोजेक्ट नाम सीधे निर्दिष्ट किया जा सकता है या कार्यप्रवाह इनपुट से संदर्भित किया जा सकता है..
- registration_tags (Union[list_of_values, स्ट्रिंग]): Roboflow में संगठन और फ़िल्टरिंग के लिए अपलोड की गई छवियों के साथ जोड़ने हेतु टैगों की सूची। टैग स्थिर स्ट्रिंग हो सकते हैं (उदा., 'location-florida', 'camera-1') या कार्यप्रवाह इनपुट से गतिशील मान हो सकते हैं। टैग एकत्रित डेटा को व्यवस्थित करने, Roboflow में छवियों को फ़िल्टर करने, और डेटासेट प्रबंधन के लिए मेटाडेटा जोड़ने में मदद करते हैं। यदि टैग की आवश्यकता नहीं है तो यह एक खाली सूची हो सकती है..
- disable_sink (boolean): यदि True, तो ब्लॉक निष्पादन अक्षम हो जाता है और कोई अपलोड नहीं होता। यह ब्लॉक को कार्यप्रवाहों से हटाए बिना डेटा संग्रह को अस्थायी रूप से बंद करने की सुविधा देता है, जो परीक्षण, डिबगिंग, या सशर्त डेटा संग्रह के लिए उपयोगी है। अक्षम होने पर, सिंक अक्षम होने का संकेत देने वाला संदेश लौटाता है। डिफ़ॉल्ट False है (अपलोड सक्षम)..
- fire_and_forget (boolean): यदि True, तो अपलोड असमकालिक रूप से (fire-and-forget मोड) निष्पादित होते हैं, जिससे कार्यप्रवाह अपलोड पूर्ण होने की प्रतीक्षा किए बिना तुरंत जारी रह सकता है। इससे कार्यप्रवाह प्रदर्शन बेहतर होता है, लेकिन त्रुटि हैंडलिंग संभव नहीं होती। यदि False, तो अपलोड समकालिक रूप से निष्पादित होते हैं, जो पूर्ण होने तक कार्यप्रवाह निष्पादन को रोकते हैं और उचित त्रुटि हैंडलिंग तथा स्थिति रिपोर्टिंग की अनुमति देते हैं। जहाँ गति प्राथमिकता हो वहाँ उत्पादन कार्यप्रवाहों के लिए असमकालिक मोड (True) का उपयोग करें, और डिबगिंग या जब त्रुटि हैंडलिंग महत्वपूर्ण हो तब समकालिक मोड (False) का उपयोग करें..
- labeling_batch_prefix (स्ट्रिंग): Roboflow में अपलोड की गई छवियों को व्यवस्थित करने के लिए लेबलिंग बैच नाम उत्पन्न करने हेतु उपयोग किया जाने वाला उपसर्ग। बैच पुनर्निर्माण आवृत्ति और टाइमस्टैम्प के साथ मिलकर 'workflows_data_collector_2024_01_15' जैसे बैच नाम बनाता है। बैच एकत्रित डेटा को लेबलिंग के लिए व्यवस्थित करने में मदद करते हैं, जिससे समूहों में अपलोड की गई छवियों का प्रबंधन और समीक्षा आसान हो जाती है। इसे आपके संगठनात्मक ढाँचे के अनुसार अनुकूलित किया जा सकता है..
- image_name (स्ट्रिंग): अपलोड की गई छवि के लिए वैकल्पिक कस्टम नाम। यदि प्रदान किया गया, तो यह नाम स्वतः-जनरेट किए गए UUID के बजाय उपयोग किया जाएगा। यह तब उपयोगी है जब आप मूल फ़ाइलनाम बनाए रखना चाहते हैं या Roboflow डेटासेट में छवि के लिए कोई अर्थपूर्ण पहचानकर्ता (उदा., सीरियल नंबर, टाइमस्टैम्प) उपयोग करना चाहते हैं। नाम में फ़ाइल एक्सटेंशन शामिल नहीं होना चाहिए। यदि प्रदान नहीं किया गया, तो एक UUID स्वचालित रूप से जनरेट किया जाएगा..
आउटपुट
- त्रुटि_स्थिति (boolean): बूलियन फ़्लैग।
- संदेश (स्ट्रिंग): स्ट्रिंग मान।

उदाहरण JSON परिभाषा

{
	    "name": "<your_step_name_here>",
	    "type": "roboflow_core/roboflow_dataset_upload@v1",
	    "image": "$inputs.image",
	    "predictions": "$steps.object_detection_model.predictions",
	    "target_project": "my_project",
	    "minutely_usage_limit": 10,
	    "hourly_usage_limit": 10,
	    "daily_usage_limit": 10,
	    "usage_quota_name": "quota-for-data-sampling-1",
	    "max_image_size": [
	        512,
	        512
	    ],
	    "compression_level": 75,
	    "registration_tags": [
	        "location-florida",
	        "factory-name",
	        "$inputs.dynamic_tag"
	    ],
	    "persist_predictions": true,
	    "disable_sink": true,
	    "fire_and_forget": true,
	    "labeling_batch_prefix": "my_labeling_batch_name",
	    "labeling_batches_recreation_frequency": "never",
	    "image_name": "serial_12345"
	}

पिछलाRoboflow Asset Library गुण अगलाRoboflow Vision इवेंट्स

अंतिम अपडेट 4 दिन पहले

क्या यह उपयोगी था?