11. April 2024
Meistern Sie die Schulung benutzerdefinierter Datensätze mit Ultralytics YOLOv8 in Google Colab. Von der Einrichtung bis hin zur Schulung und Auswertung deckt dieser Leitfaden alles ab.
In diesem Blog werden wir uns ansehen, wie man die benutzerdefinierte Objekterkennung mit Ultralytics YOLOv8 in Google Colab beherrscht. Machen Sie sich bereit für die Entfesselung der Leistung von YOLOv8 Wir führen Sie durch den gesamten Prozess, von der Einrichtung bis zur Schulung und Auswertung.
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 .
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 verwenden, um Ihre GPU zu überprüfen.
Als nächstes installieren Sie Ultralytics und YOLOv8 mit pip. Importieren Sie das YOLO 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 von Ultralytics und importieren Sie ihn in Ihr Google Colab Notizbuch.
Stellen Sie die Aufgabe auf detect für die Objekterkennung 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 .
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.
DieYOLOv8 Ultralytics können mit einem einzigen CLI 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 , 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 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 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!
