Benutzerdefinierte Datensätze mit Ultralytics YOLOv8 in Google Colab trainieren

In diesem Beitrag zeigen wir, wie du mit Ultralytics YOLOv8 in Google Colab ein benutzerdefiniertes Objekterkennungsmodell trainierst. Wir führen dich durch den gesamten Prozess – von der Einrichtung bis zum Training und zur Auswertung.

Ultralytics-YOLOv8-Modell in Google Colab einrichten#

Richten wir zunächst unsere Umgebung in Google Colab ein. Was ist Google Colab? Google Colab, kurz für Google Colaboratory, ist eine kostenlose Cloud-Plattform von Google, auf der du Python-Code schreiben und ausführen kannst.

Als ersten Schritt musst du sicherstellen, dass du Zugriff auf eine GPU hast, indem du den passenden Laufzeittyp auswählst. Prüfe mit dem Befehl nvidia-smi, ob deine GPU-Konfiguration einwandfrei funktioniert.

Installiere als Nächstes mit pip das Paket ultralytics, das YOLOv8 und seine Abhängigkeiten enthält. Importiere anschließend die Klasse YOLO aus ultralytics, um mit dem Aufbau deines benutzerdefinierten Objekterkennungsmodells zu beginnen.

Datensatz beschriften und vorbereiten#

Bereiten wir nun unseren Datensatz vor. Kennzeichne deine Daten mit Begrenzungsrahmen und gib für jedes Objekt die jeweilige Klasse an. Exportiere deinen Datensatz im Ultralytics-YOLO-Format und importiere ihn in dein Google-Colab-Notebook.

Dein benutzerdefiniertes Ultralytics-YOLOv8-Modell trainieren#

Lege für die Objekterkennung die Aufgabe detect fest und wähle die für deine Anforderungen passende YOLOv8-Modellgröße. Gib den Speicherort deines Datensatzes, die Anzahl der Epochen und die Bildgröße für das Training an. Durch die GPU-Beschleunigung bleibt das Training schnell, während dein Modell aus den Daten lernt.

Dein Modell auswerten und validieren#

Nach Abschluss des Trainings kannst du die Leistung deines Modells anhand von Kennzahlen wie der mittleren durchschnittlichen Genauigkeit (mAP) bewerten. Validiere dein Modell mit unbekannten Daten, um sicherzustellen, dass es gut verallgemeinert. Erstelle Konfusionsmatrizen und analysiere die Vorhersagen, um dein Modell weiter zu optimieren.

Ultralytics YOLOv8-Modelle lassen sich mit einem einzigen CLI-Befehl validieren, zum Beispiel mit yolo val model=path/to/best.pt. Dabei werden die Trainingseinstellungen automatisch wiederverwendet und mehrere Kennzahlen ausgegeben.

Ultralytics unterstützt außerdem CLI- und Python-Argumente, die du bei der Validierung verwenden kannst, um die Ausgabe an deine Anforderungen anzupassen. Weitere Informationen findest du in der Dokumentation zum Validierungsmodus.

Abb. 1: Nicolai Nielsen erklärt, wie man benutzerdefinierte Datensätze mit Ultralytics YOLOv8 in Google Colab trainiert.

Dein Modell auf die nächste Stufe bringen#

Du hast dein benutzerdefiniertes Ultralytics YOLOv8-Modell nun erfolgreich in Google Colab trainiert. In unserem nächsten Video zeigen wir dir, wie du mit deinem speziell trainierten YOLOv8-Modell Modellgewichte exportierst und eine Live-Inferenz ausführst.

Zum Abschluss#

Danke, dass du uns auf unserem Einblick in die Welt der benutzerdefinierten Objekterkennung mit Ultralytics YOLOv8 in Google Colab begleitet hast. Bleib dran für weitere Tutorials zu KI und maschinellem Lernen.

Mit diesem umfassenden Leitfaden kannst du nun deine eigenen benutzerdefinierten Objekterkennungsmodelle mit Ultralytics YOLOv8 in Google Colab trainieren. Sieh dir das vollständige Tutorial an, um Schritt für Schritt mitzumachen.