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 schauen wir uns an, wie du benutzerdefinierte Objekterkennung mit Ultralytics YOLOv8 in Google Colab meisterst. Mach dich bereit, die Leistung von YOLOv8 zu entfesseln, während wir dich durch den gesamten Prozess führen, von der Einrichtung bis zum Training und zur Evaluierung.
Einrichten des Ultralytics 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 YOLOv8-Abhängigkeiten mit pip. Importiere das YOLO-Modell von Ultralytics, um deine Reise in die benutzerdefinierte Objekterkennung zu beginnen.
Beschriften und Vorbereiten deines Datensatzes#
Bereiten wir nun unseren dataset vor. Beschrifte deine Daten mit bounding boxes und gib die Klassen für jedes Objekt an. Exportiere dein Dataset in das YOLOv8-Format von Ultralytics und importiere es in dein Google Colab Notebook.
Training deines eigenen Ultralytics YOLOv8 Modells#
Setze die Aufgabe auf detect für die Objekterkennung und wähle die YOLOv8 model-Größe, die deinen Anforderungen entspricht. Gib den Speicherort deines Datasets, die Anzahl der Epochen und die Bildgröße für das Training an. Sieh zu, wie dein Modell lernt und sich dank der Leistung von YOLOv8 und GPU-Beschleunigung anpasst.
Evaluierung 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 auch einige CLI- und Python-Argumente, die Benutzer während der Validierung verwenden können, um basierend auf ihren Bedürfnissen bessere Ausgabenergebnisse zu erzielen. Weitere Informationen findest du in unserer docs.
Abb. 1. Nicolai Nielsen zeigt, wie man benutzerdefinierte Datasets mit Ultralytics YOLOv8 in Google Colab trainiert.
Dein Modell auf das nächste Level bringen#
Du hast dein eigenes Ultralytics YOLOv8-Modell jetzt erfolgreich in Google Colab trainiert. Aber unsere Reise ist hier noch nicht zu Ende. In unserem nächsten Video schauen wir uns an, wie du Modellgewichte exportierst und Live-Inferenz mit deinem trainierten YOLOv8-Modell ausführst. Mach dich bereit für ein aufregendes Erlebnis, während wir die Grenzen der Objekterkennung verschieben. Bleib dran!
Zusammenfassung#
Vielen Dank, dass du uns begleitet hast, während wir uns mit der Welt der benutzerdefinierten Objekterkennung mit Ultralytics YOLOv8 in Google Colab beschäftigt haben. Bleibe dran für weitere spannende Updates und Tutorials, während wir weiterhin die grenzenlosen Möglichkeiten von KI und maschinellem Lernen erkunden.
Mit diesem umfassenden Leitfaden bist du nun bestens gerüstet, um deine eigenen benutzerdefinierten Objekterkennungsmodelle mit Ultralytics YOLOv8 in Google Colab zu trainieren. Schau dir das vollständige Tutorial an: Watch the full tutorial!
