Domina a formação de conjuntos de dados personalizados com Ultralytics YOLOv8 em Google Colab. Desde a configuração à formação e avaliação, este guia cobre tudo.
Neste blogue, vamos ver como dominar a deteção de objectos personalizados utilizando Ultralytics YOLOv8 em Google Colab. Prepara-te para libertar o poder do YOLOv8 enquanto te guiamos por todo o processo, desde a configuração à formação e avaliação.
Vamos começar por configurar o nosso ambiente em Google Colab. Então, o que é Google Colab? Abreviação de Google Colaboratory, Google Colab é uma plataforma em nuvem gratuita da Google para escrever e executar código Python .
O primeiro passo para configurar isto é garantir que tens acesso a um GPU seleccionando o tipo de tempo de execução apropriado. Verifica se tudo está a correr bem, usando o comando nvidia-smi para verificar a tua configuração de GPU .
Em seguida, instala as dependências Ultralytics e YOLOv8 usando pip. Importa o modelo YOLO de Ultralytics para começar a nossa jornada de deteção de objetos personalizados.
Agora, vamos preparar o nosso conjunto de dados. Rotula os teus dados com caixas delimitadoras, especificando as classes para cada objeto. Exporta o teu conjunto de dados para o formato YOLOv8 a partir de Ultralytics e importa-o para o teu bloco de notas Colab Google .
Define a tarefa a detetar para a deteção de objectos e escolhe o YOLOv8 tamanho do modelo que se adequa às tuas necessidades. Especifica a localização do teu conjunto de dados, o número de épocas e o tamanho da imagem para treino. Observa como o teu modelo aprende e se adapta, graças ao poder da aceleração YOLOv8 e GPU .
Quando o treino estiver concluído, avalia o desempenho do teu modelo utilizando métricas como a posição de erro médio. Valida o teu modelo em dados não vistos para garantir as suas capacidades de generalização. Traça matrizes de confusão e analisa as previsões para afinar ainda mais o modelo.
Ultralytics YOLOv8 Os modelos podem ser validados facilmente com um único comando CLI , que tem várias características-chave, ou seja, definição automática de hiperparâmetros, suporte de várias métricas, etc.
Ultralytics também suporta alguns argumentos CLI e Python que os utilizadores podem utilizar durante a validação para obterem melhores resultados de acordo com as suas necessidades. Para mais informações, podes explorar os nossos documentos.
Agora já treinaste com sucesso o teu modelo YOLOv8 personalizado em Google Colab. Mas nossa jornada não termina aqui. No próximo vídeo, vamos explorar como exportar os pesos do modelo e executar inferência ao vivo usando nosso modelo YOLOv8 personalizado e treinado. Prepara-te para uma experiência emocionante à medida que ultrapassamos os limites da deteção de objectos. Fica atento!
Obrigado por te juntares a nós enquanto olhamos para o mundo da deteção de objectos personalizados com YOLOv8 em Google Colab. Fica atento a mais actualizações e tutoriais interessantes à medida que continuamos a explorar as possibilidades ilimitadas da IA e da aprendizagem automática.
Com este guia completo, estás agora equipado para treinar os teus próprios modelos de deteção de objectos personalizados utilizando Ultralytics YOLOv8 em Google Colab. Vê o tutorial completo aqui!
Começa a tua viagem com o futuro da aprendizagem automática
