Benutzerdefinierte Datensätze mit Ultralytics YOLOv8 in Google Colab trainieren
Lerne, benutzerdefinierte Datensätze mit Ultralytics YOLOv8 in Google Colab zu trainieren. Dieser Leitfaden behandelt alles von der Einrichtung über das Training bis zur Evaluierung.
In diesem Blogbeitrag sehen wir uns an, wie du mithilfe von Ultralytics YOLOv8 in Google Colab die benutzerdefinierte Objekterkennung meisterst. Mach dich bereit, die Leistungsfähigkeit von YOLOv8 zu entfesseln, während wir dich durch den gesamten Prozess führen – von der Einrichtung über das Training bis zur Evaluierung.
Einrichten des Ultralytics YOLOv8-Modells in Google Colab#
Beginnen wir mit der Einrichtung unserer Umgebung in Google Colab. Was ist Google Colab also? Google Colab ist die Kurzform von Google Colaboratory und eine kostenlose Cloud-Plattform von Google zum Schreiben und Ausführen von Python-Code.
Der erste Schritt bei der Einrichtung besteht darin, sicherzustellen, dass du Zugriff auf eine GPU hast, indem du den passenden Laufzeittyp auswählst. Überprüfe mit dem Befehl nvidia-smi, ob alles reibungslos läuft und deine GPU-Konfiguration korrekt eingerichtet ist.
Installiere als Nächstes Ultralytics und die Abhängigkeiten von YOLOv8 mit pip. Importiere das YOLO-Modell aus Ultralytics, um mit unserer benutzerdefinierten Objekterkennung zu beginnen.
Beschriften und Vorbereiten deines Datensatzes#
Bereite nun deinen Datensatz vor. Beschrifte deine Daten mit Begrenzungsrahmen und gib die Klassen für jedes Objekt an. Exportiere deinen Datensatz aus Ultralytics im YOLOv8-Format und importiere ihn in dein Google-Colab-Notebook.
Trainieren deines benutzerdefinierten Ultralytics-YOLOv8-Modells#
Setze die Aufgabe für die Objekterkennung auf detect und wähle die für deine Anforderungen passende Modellgröße von YOLOv8. Gib den Speicherort deines Datensatzes, die Anzahl der Epochen und die Bildgröße für das Training an. Beobachte, wie dein Modell dank der Leistungsfähigkeit von YOLOv8 und der GPU-Beschleunigung lernt und sich anpasst.
Evaluieren und Validieren deines Modells#
Sobald das Training abgeschlossen ist, bewerte die Leistung deines Modells anhand von Kennzahlen wie der mittleren Fehlerposition. Validiere dein Modell mit bisher nicht gesehenen Daten, um seine Generalisierungsfähigkeit sicherzustellen. Erstelle Konfusionsmatrizen und analysiere die Vorhersagen, um dein Modell weiter zu optimieren.
Ultralytics-YOLOv8-Modelle lassen sich einfach mit einem einzigen CLI-Befehl validieren, der mehrere wichtige Funktionen bietet, etwa die automatische Einstellung der Hyperparameter und die Unterstützung mehrerer Metriken.
Ultralytics unterstützt außerdem verschiedene CLI- und Python-Argumente, die du während der Validierung verwenden kannst, um je nach Bedarf bessere Ausgaben zu erhalten. Weitere Informationen findest du in unserer Dokumentation.
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 nun erfolgreich dein benutzerdefiniertes Ultralytics-YOLOv8-Modell in Google Colab trainiert. Aber unsere Reise endet hier noch nicht. In unserem nächsten Video sehen wir uns an, wie du Modellgewichte exportierst und mit unserem benutzerdefiniert trainierten YOLOv8-Modell eine Live-Inferenz ausführst. Freu dich auf ein mitreißendes Erlebnis, während wir die Grenzen der Objekterkennung erweitern. Bleib dran!
Zum Abschluss#
Danke, dass du uns auf unserer Reise durch die Welt der benutzerdefinierten Objekterkennung mit Ultralytics YOLOv8 in Google Colab begleitet hast. Bleib dran für weitere spannende Updates und Tutorials, während wir die grenzenlosen Möglichkeiten von KI und maschinellem Lernen weiter erkunden.
Mit diesem umfassenden Leitfaden bist du nun bestens gerüstet, um deine eigenen Modelle für die benutzerdefinierte Objekterkennung mit Ultralytics YOLOv8 in Google Colab zu trainieren. Sieh dir das vollständige Tutorial an!
