Entrenamiento de conjuntos de datos personalizados con Ultralytics YOLOv8 en Google Colab

En esta publicación, veremos cómo entrenar un modelo personalizado de detección de objetos con Ultralytics YOLOv8 en Google Colab, repasando todo el proceso, desde la configuración hasta el entrenamiento y la evaluación.

Configurar el modelo Ultralytics YOLOv8 en Google Colab#

Empecemos por configurar nuestro entorno en Google Colab. ¿Qué es Google Colab? Abreviatura de Google Colaboratory, Google Colab es una plataforma gratuita en la nube de Google para escribir y ejecutar código Python.

El primer paso para configurarlo es asegurarte de que tienes acceso a una GPU; para ello, selecciona el tipo de entorno de ejecución adecuado. Comprueba que todo funciona correctamente con el comando nvidia-smi para verificar la configuración de la GPU.

A continuación, instala el paquete ultralytics, que incluye YOLOv8 y sus dependencias, mediante pip. Después, importa la clase YOLO de ultralytics para empezar a crear tu modelo personalizado de detección de objetos.

Etiquetar y preparar el conjunto de datos#

Ahora, preparemos el conjunto de datos. Etiqueta tus datos con cuadros delimitadores y especifica las clases de cada objeto. Exporta el conjunto de datos en formato Ultralytics YOLO e impórtalo en tu cuaderno de Google Colab.

Entrenar tu modelo personalizado Ultralytics YOLOv8#

Establece la tarea como detect para la detección de objetos y elige el tamaño del modelo YOLOv8 que mejor se adapte a tus necesidades. Especifica la ubicación del conjunto de datos, el número de épocas y el tamaño de imagen para el entrenamiento. La aceleración de GPU permite entrenar rápidamente mientras el modelo aprende de los datos.

Evaluar y validar tu modelo#

Cuando termine el entrenamiento, evalúa el rendimiento del modelo con métricas como la precisión media promedio (mAP). Valida el modelo con datos que no haya visto para asegurarte de que generaliza bien. Representa las matrices de confusión y analiza las predicciones para seguir ajustando el modelo.

Los modelos Ultralytics YOLOv8 se pueden validar con un único comando de CLI, como yolo val model=path/to/best.pt, que reutiliza automáticamente los ajustes del entrenamiento y muestra varias métricas.

Ultralytics también admite argumentos de CLI y Python que puedes utilizar durante la validación para adaptar los resultados a tus necesidades. Para obtener más información, consulta la documentación del modo de validación.

Fig. 1. Nicolai Nielsen explica cómo entrenar conjuntos de datos personalizados con Ultralytics YOLOv8 en Google Colab.

Lleva tu modelo al siguiente nivel#

Ya has entrenado correctamente tu modelo personalizado Ultralytics YOLOv8 en Google Colab. En el próximo vídeo veremos cómo exportar los pesos del modelo y ejecutar inferencias en directo con nuestro modelo YOLOv8 personalizado.

Conclusiones#

Gracias por acompañarnos mientras explorábamos el mundo de la detección de objetos personalizada con Ultralytics YOLOv8 en Google Colab. No te pierdas nuestros próximos tutoriales sobre IA y aprendizaje automático.

Con esta guía completa, ya tienes todo lo necesario para entrenar tus propios modelos personalizados de detección de objetos con Ultralytics YOLOv8 en Google Colab. Mira el tutorial completo y sigue cada paso.