11. April 2024
Meistern Sie das Training mit benutzerdefinierten Datensätzen mit Ultralytics YOLOv8 in Google Colab. Von der Einrichtung über das Training bis zur Auswertung deckt dieser Leitfaden alles ab.
In diesem Blog werden wir untersuchen, wie Sie die benutzerdefinierte Objekterkennung mit Ultralytics YOLOv8 in Google Colab meistern können. Machen Sie sich bereit, die Leistungsfähigkeit von YOLOv8 zu entfesseln, während wir Sie durch den gesamten Prozess führen, vom Setup über das Training bis zur Auswertung.
Beginnen wir mit der Einrichtung unserer Umgebung in Google Colab. Was ist Google Colab? Google Colab, kurz für Google Colaboratory, ist eine kostenlose Cloud-Plattform von Google zum Schreiben und Ausführen von Python-Code.
Der erste Schritt zur Einrichtung ist sicherzustellen, dass Sie Zugriff auf eine GPU haben, indem Sie den entsprechenden Laufzeittyp auswählen. Überprüfen Sie, ob alles reibungslos läuft, indem Sie mit dem Befehl nvidia-smi Ihre GPU-Konfiguration überprüfen.
Installieren Sie als Nächstes Ultralytics und die YOLOv8-Abhängigkeiten mit pip. Importieren Sie das YOLO-Modell von Ultralytics, um mit unserer benutzerdefinierten Objekterkennung zu beginnen.
Bereiten wir nun unseren Datensatz vor. Beschriften Sie Ihre Daten mit Begrenzungsrahmen und geben Sie die Klassen für jedes Objekt an. Exportieren Sie Ihren Datensatz aus Ultralytics in das YOLOv8-Format und importieren Sie ihn in Ihr Google Colab-Notebook.
Stellen Sie die Aufgabe auf Erkennung für Objekterkennung ein und wählen Sie die YOLOv8 Modell-Größe, die Ihren Anforderungen entspricht. Geben Sie den Speicherort Ihres Datensatzes, die Anzahl der Epochen und die Bildgröße für das Training an. Beobachten Sie, wie Ihr Modell dank der Leistung von YOLOv8 und GPU-Beschleunigung lernt und sich anpasst.
Sobald das Training abgeschlossen ist, bewerten Sie die Leistung Ihres Modells anhand von Metriken wie der mittleren Fehlerposition. Validieren Sie Ihr Modell anhand von ungesehenen Daten, um seine Generalisierungsfähigkeit sicherzustellen. Stellen Sie Konfusionsmatrizen grafisch dar und analysieren Sie Vorhersagen, um Ihr Modell weiter zu optimieren.
Ultralytics YOLOv8 Modelle lassen sich einfach mit einem einzigen CLI-Befehl validieren, der mehrere Schlüsselfunktionen bietet, wie z. B. automatische Hyperparameter-Einstellung, Unterstützung für mehrere Metriken usw.
Ultralytics unterstützt auch einige CLI- und Python-Argumente, die Benutzer während der Validierung verwenden können, um bessere Ausgabenergebnisse basierend auf ihren Bedürfnissen zu erzielen. Weitere Informationen finden Sie in unserer Dokumentation.
Sie haben Ihr benutzerdefiniertes YOLOv8-Modell nun erfolgreich in Google Colab trainiert. Aber unsere Reise endet hier noch nicht. In unserem nächsten Video werden wir untersuchen, wie man Modellgewichte exportiert und Live-Inferenz mit unserem benutzerdefinierten YOLOv8-Modell ausführt. Machen Sie sich bereit für ein aufregendes Erlebnis, während wir die Grenzen der Objekterkennung verschieben. Bleiben Sie dran!
Vielen Dank, dass Sie mit uns die Welt der benutzerdefinierten Objekterkennung mit YOLOv8 in Google Colab erkundet haben. Bleiben Sie dran für weitere spannende Updates und Tutorials, während wir die unbegrenzten Möglichkeiten von KI und maschinellem Lernen weiter erforschen.
Mit diesem umfassenden Leitfaden sind Sie nun in der Lage, Ihre eigenen benutzerdefinierten Objekterkennungsmodelle mit Ultralytics YOLOv8 in Google Colab zu trainieren. Sehen Sie sich das vollständige Tutorial hier an!
.webp)