11. April 2024
Meistern Sie die Schulung benutzerdefinierter Datensätze mit Ultralytics YOLOv8 in Google Colab. Von der Einrichtung über die Schulung bis zur Auswertung deckt dieser Leitfaden alles ab.
In diesem Blog zeigen wir Ihnen, wie Sie die benutzerdefinierte Objekterkennung mit Ultralytics YOLOv8 in Google Colab meistern können. Machen Sie sich bereit, die Leistung von YOLOv8 zu entfesseln, während wir Sie durch den gesamten Prozess führen, von der Einrichtung bis zur Schulung und Bewertung.
Beginnen wir damit, unsere Umgebung in Google Colab einzurichten. Was also 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 besteht darin, sicherzustellen, dass Sie Zugang zu einer GPU haben, indem Sie den entsprechenden Laufzeittyp auswählen. Überprüfen Sie, ob alles reibungslos funktioniert, indem Sie den Befehl nvidia-smi verwenden, um Ihre GPU-Einrichtung zu überprüfen.
Als nächstes installieren Sie Ultralytics und YOLOv8-Abhängigkeiten mit pip. Importieren Sie das YOLO-Modell aus Ultralytics, um mit der benutzerdefinierten Objekterkennung zu beginnen.
Lassen Sie uns nun unseren Datensatz vorbereiten. Beschriften Sie Ihre Daten mit Begrenzungsrahmen und geben Sie die Klassen für jedes Objekt an. Exportieren Sie Ihren Datensatz in das YOLOv8-Format von Ultralytics und importieren Sie ihn in Ihr Google Colab Notizbuch.
Legen Sie die Aufgabe für die Objekterkennung fest und wählen Sie die YOLOv8-Modellgröße, 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 lernt und sich anpasst, dank der Leistung von YOLOv8 und der GPU-Beschleunigung.
Sobald das Training abgeschlossen ist, bewerten Sie die Leistung Ihres Modells anhand von Metriken wie der mittleren Fehlerposition. Validieren Sie Ihr Modell anhand unbekannter Daten, um seine Verallgemeinerungsfähigkeit sicherzustellen. Erstellen Sie Konfusionsmatrizen und analysieren Sie Vorhersagen, um Ihr Modell weiter zu verfeinern.
Die YOLOv8-Modelle von Ultralytics können mit einem einzigen CLI-Befehl validiert werden, der über mehrere Schlüsselfunktionen verfügt, z. B. die automatische Einstellung von Hyperparametern, die Unterstützung mehrerer Metriken und so weiter.
Ultralytics unterstützt auch einige CLI- und Python-Argumente, die Benutzer während der Validierung verwenden können, um bessere, auf ihre Bedürfnisse zugeschnittene Ergebnisse zu erzielen. Weitere Informationen finden Sie in unseren Dokumentationen.
Sie haben nun erfolgreich Ihr benutzerdefiniertes YOLOv8-Modell in Google Colab trainiert. Aber unsere Reise ist hier noch nicht zu Ende. In unserem nächsten Video erfahren Sie, wie Sie die Modellgewichte exportieren und die Live-Inferenz mit unserem individuell trainierten YOLOv8-Modell durchführen. Machen Sie sich bereit für eine aufregende Erfahrung, während wir die Grenzen der Objekterkennung erweitern. Bleiben Sie dran!
Vielen Dank, dass Sie mit uns einen Blick auf die Welt der benutzerdefinierten Objekterkennung mit YOLOv8 in Google Colab geworfen haben. Bleiben Sie dran für weitere spannende Updates und Tutorials, während wir weiterhin die grenzenlosen Möglichkeiten von KI und maschinellem Lernen erforschen.
Mit dieser umfassenden Anleitung 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!
DE
EN
ZH
KO
JA
RU
FR
ES
PT
IT
TR
VI
AR
.webp)