Training benutzerdefinierter Datensätze mit Ultralytics YOLOv8 in Google Colab
Meistere das Training benutzerdefinierter Datensätze mit Ultralytics YOLOv8 in Google Colab. Von der Einrichtung bis zum Training und der Evaluierung deckt dieser Leitfaden alles ab.
In diesem Blog zeigen wir dir, wie du die benutzerdefinierte Objekterkennung mit Ultralytics YOLOv8 in Google Colab meisterst. Mach dich bereit, die Power von YOLOv8 zu entfesseln, während wir dich durch den gesamten Prozess führen – vom Setup bis hin zum Training und der Evaluierung.
Link to this sectionEinrichten des YOLOv8 Modells in Google Colab#
Lass uns direkt mit dem Einrichten unserer Umgebung in Google Colab starten. Was ist Google Colab eigentlich? Kurz für Google Colaboratory, ist Google Colab eine kostenlose Cloud-Plattform von Google zum Schreiben und Ausführen von Python-Code.
Der erste Schritt dazu ist sicherzustellen, dass du Zugriff auf eine GPU hast, indem du den entsprechenden Laufzeittyp auswählst. Überprüfe mit dem Befehl nvidia-smi, ob alles reibungslos läuft, um dein GPU-Setup zu verifizieren.
Installiere als Nächstes Ultralytics und die YOLOv8-Abhängigkeiten mit pip. Importiere das YOLO-Modell von Ultralytics, um deine Reise in die benutzerdefinierte Objekterkennung zu beginnen.
Link to this sectionBeschriften und Vorbereiten deines Datensatzes#
Jetzt bereiten wir unseren Datensatz vor. Beschrifte deine Daten mit BBox und lege die Klassen für jedes Objekt fest. Exportiere deinen Datensatz in das YOLOv8-Format von Ultralytics und importiere ihn in dein Google Colab Notebook.
Link to this sectionTraining deines benutzerdefinierten YOLOv8 Modells#
Setze die Aufgabe auf detect für die Objekterkennung und wähle die YOLOv8 Modellgröße, die deinen Anforderungen entspricht. Gib den Speicherort deines Datensatzes, die Anzahl der Epochen und die Bildgröße für das Training an. Beobachte, wie dein Modell lernt und sich dank der Leistung von YOLOv8 und GPU-Beschleunigung anpasst.
Link to this sectionEvaluierung und Validierung deines Modells#
Sobald das Training abgeschlossen ist, kannst du die Leistung deines Modells anhand von Metriken wie mAP bewerten. Validiere dein Modell mit unbekannten Daten, um seine Generalisierungsfähigkeiten sicherzustellen. Erstelle Konfusionsmatrizen und analysiere Vorhersagen, um dein Modell weiter zu optimieren.
Ultralytics YOLOv8 Modelle lassen sich einfach mit einem einzigen CLI-Befehl validieren, der mehrere wichtige Funktionen bietet, wie z.B. automatische Hyperparameter-Einstellungen, Unterstützung mehrerer Metriken und vieles mehr.
Ultralytics unterstützt außerdem diverse CLI- und Python-Argumente, die Nutzer während der Validierung für bessere Ergebnisse je nach Bedarf verwenden können. Weitere Informationen findest du in unserer Dokumentation.
Abb. 1. Nicolai Nielsen erklärt, wie man eigene Datensätze mit Ultralytics YOLOv8 in Google Colab trainiert.
Link to this sectionDein Modell auf das nächste Level bringen#
Du hast nun erfolgreich dein benutzerdefiniertes YOLOv8 Modell in Google Colab trainiert. Aber unsere Reise endet hier noch nicht. Im nächsten Video zeigen wir dir, wie du Modellgewichte exportierst und Live-Inferenz mit deinem benutzerdefinierten YOLOv8 Modell durchführst. Mach dich bereit für ein aufregendes Erlebnis, während wir die Grenzen der Objekterkennung verschieben. Bleib dran!
Link to this sectionZusammenfassung#
Vielen Dank, dass du uns begleitet hast, als wir die Welt der benutzerdefinierten Objekterkennung mit YOLOv8 in Google Colab erkundet haben. Bleib gespannt auf weitere aufregende Updates und Tutorials, während wir weiterhin die unendlichen Möglichkeiten von KI und Machine Learning entdecken.
Mit diesem umfassenden Leitfaden bist du nun bestens gerüstet, um deine eigenen benutzerdefinierten Objekterkennungsmodelle mit Ultralytics YOLOv8 in Google Colab zu trainieren. Sieh dir das vollständige Tutorial an Watch the full tutorial!
