Addestramento di dataset personalizzati con Ultralytics YOLOv8 in Google Colab

In questo blog vedremo come padroneggiare il rilevamento di oggetti personalizzati usando Ultralytics YOLOv8 in Google Colab. Preparati a liberare la potenza di YOLOv8 mentre ti guidiamo attraverso l'intero processo, dalla configurazione alla formazione e alla valutazione.

Impostazione del modello YOLOv8 in Google Colab

Cominciamo a impostare il nostro ambiente in Google Colab. Cos'è Google Colab? Acronimo di Google Colaboratory, Google Colab è una piattaforma cloud gratuita di Google per la scrittura e l'esecuzione di Python codice. 

Il primo passo per configurarlo è assicurarsi di avere accesso a GPU selezionando il tipo di runtime appropriato. Controlla che tutto funzioni correttamente utilizzando il comando nvidia-smi per verificare la configurazione di GPU .

Successivamente, installa le dipendenze di Ultralytics e YOLOv8 utilizzando pip. Importa il modello YOLO da Ultralytics per iniziare il nostro percorso di rilevamento degli oggetti personalizzati.

Etichettatura e preparazione del set di dati

Ora prepariamo il nostro set di dati. Etichetta i tuoi dati con delle caselle di delimitazione, specificando le classi per ogni oggetto. Esporta il tuo set di dati nel formato YOLOv8 da Ultralytics e importalo nel tuo blocco note Colab Google .

Addestramento del tuo modello personalizzato YOLOv8

Imposta l'attività da rilevare per il rilevamento degli oggetti e scegli la dimensione del modello più adatta alle tue esigenze. YOLOv8 dimensione del modello che si adatta alle tue esigenze. Specifica la posizione del tuo dataset, il numero di epoche e le dimensioni dell'immagine per l'addestramento. Osserva come il tuo modello impara e si adatta grazie alla potenza di YOLOv8 e all'accelerazione di GPU .

Valutare e convalidare il modello

Una volta completato l'addestramento, valuta le prestazioni del tuo modello utilizzando metriche come la posizione media dell'errore. Convalida il tuo modello su dati inediti per verificarne le capacità di generalizzazione. Traccia le matrici di confusione e analizza le previsioni per perfezionare ulteriormente il tuo modello.

Ultralytics YOLOv8 I modelli possono essere convalidati facilmente con un unico comando CLI , che ha diverse caratteristiche chiave, come l'impostazione automatica degli iperparametri, il supporto di più metriche e così via. 

Ultralytics supporta anche alcuni argomenti di CLI e Python che gli utenti possono utilizzare durante la validazione per ottenere risultati migliori in base alle loro esigenze. Per maggiori informazioni, puoi consultare i nostri documenti.

Porta il tuo modello al livello successivo

Ora hai addestrato con successo il tuo modello personalizzato di YOLOv8 in Google Colab. Ma il nostro viaggio non finisce qui. Nel prossimo video scopriremo come esportare i pesi del modello ed eseguire l'inferenza dal vivo utilizzando il nostro modello YOLOv8 addestrato su misura. Preparati a vivere un'esperienza esaltante mentre ci spingiamo oltre i confini del rilevamento degli oggetti. Resta sintonizzato! 

Conclusione

Grazie per esserti unito a noi per scoprire il mondo del rilevamento di oggetti personalizzati con YOLOv8 in Google Colab. Rimani sintonizzato per altri interessanti aggiornamenti e tutorial mentre continuiamo a esplorare le possibilità illimitate dell'intelligenza artificiale e dell'apprendimento automatico. 

Grazie a questa guida completa, ora sei in grado di addestrare i tuoi modelli di rilevamento degli oggetti personalizzati utilizzando Ultralytics YOLOv8 in Google Colab. Guarda il tutorial completo qui! 

‍