11 de abril de 2024
Domine el entrenamiento de conjuntos de datos personalizados con Ultralytics YOLOv8 en Google Colab. Desde la configuración hasta la formación y la evaluación, esta guía lo cubre todo.
En este blog veremos cómo dominar la detección de objetos personalizada utilizando Ultralytics YOLOv8 en Google Colab. Prepárate para liberar el poder de YOLOv8 mientras le guiamos a través de todo el proceso, desde la configuración hasta la formación y la evaluación.
Empecemos configurando 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 seleccionando el tipo de ejecución adecuado. Comprueba que todo funciona correctamente utilizando el comando nvidia para verificar la configuración de GPU .
A continuación, instala Ultralytics y las dependencias de YOLOv8 utilizando pip. Importa el modelo YOLO desde Ultralytics para comenzar nuestro viaje de detección de objetos personalizados.
Ahora, vamos a preparar nuestro conjunto de datos.. Etiqueta tus datos con cuadros delimitadores, especificando las clases para cada objeto. Exporta tu conjunto de datos al formato YOLOv8 desde Ultralytics e impórtalo en tu cuaderno de Google Colab.
Configure la tarea para detect para la detección de objetos y elija YOLOv8 que se adapte a sus necesidades. Especifique la ubicación de su conjunto de datos, el número de épocas y el tamaño de la imagen para el entrenamiento. Observa cómo tu modelo aprende y se adapta gracias a la potencia de YOLOv8 y la aceleración de GPU .
Una vez que se complete el entrenamiento, evalúa el rendimiento de tu modelo utilizando métricas como la posición media del error. Valida tu modelo con datos no vistos para asegurar sus capacidades de generalización. Traza matrices de confusión y analiza las predicciones para afinar aún más tu modelo.
Los modelos Ultralytics YOLOv8 pueden validarse fácilmente con un único comando CLI , que cuenta con múltiples características clave, como la configuración automática de hiperparámetros, el soporte de múltiples métricas, etc.
Ultralytics también soporta algunos argumentos CLI y Python que los usuarios pueden utilizar durante la validación para obtener mejores resultados de salida en función de sus necesidades. Para obtener más información, puede consultar nuestra documentación.
Ya has entrenado con éxito tu modelo personalizado YOLOv8 en Google Colab. Pero nuestro viaje no termina aquí. En nuestro próximo vídeo, exploraremos cómo exportar los pesos del modelo y ejecutar la inferencia en vivo utilizando nuestro modelo YOLOv8 entrenado a medida. Prepárate para vivir una experiencia emocionante mientras superamos los límites de la detección de objetos. Permanezca atento.
Gracias por acompañarnos en nuestro recorrido por el mundo de la detección de objetos personalizada con YOLOv8 en Google Colab. Permanece atento a más actualizaciones y tutoriales interesantes mientras seguimos explorando las posibilidades ilimitadas de la IA y el aprendizaje automático.
Con esta completa guía, ya está preparado para entrenar sus propios modelos personalizados de detección de objetos utilizando Ultralytics YOLOv8 en Google Colab. Vea el tutorial completo aquí.
