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

En este artículo veremos cómo dominar la detección de objetos personalizada con Ultralytics YOLOv8 en Google Colab. Prepárate para liberar todo el potencial de YOLOv8 mientras te guiamos por todo el proceso, desde la configuración hasta el entrenamiento y la evaluación.

Configuración del modelo Ultralytics YOLOv8 en Google Colab#

Empecemos configurando nuestro entorno en Google Colab. Entonces, ¿qué es Google Colab? Abreviatura de Google Colaboratory, Google Colab es una plataforma en la nube gratuita 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 entorno de ejecución adecuado. Comprueba que todo funciona correctamente usando el comando nvidia-smi para verificar la configuración de tu GPU.

A continuación, instala las dependencias de Ultralytics y YOLOv8 usando pip. Importa el modelo YOLO de Ultralytics para empezar a trabajar en la detección de objetos personalizada.

Etiquetado y preparación del conjunto de datos#

Ahora, preparemos nuestro conjunto de datos. Etiqueta tus datos con cajas delimitadoras, especificando las clases de cada objeto. Exporta tu conjunto de datos al formato YOLOv8 desde Ultralytics e impórtalo en tu cuaderno de Google Colab.

Entrenamiento de tu modelo Ultralytics YOLOv8 personalizado#

Establece la tarea en detect para la detección de objetos y elige el tamaño del modelo YOLOv8 que mejor se adapte a tus necesidades. Especifica la ubicación de tu conjunto de datos, el número de épocas y el tamaño de las imágenes para el entrenamiento. Observa cómo tu modelo aprende y se adapta gracias a la potencia de YOLOv8 y la aceleración de la GPU.

Evaluación y validación de tu modelo#

Una vez completado el entrenamiento, evalúa el rendimiento de tu modelo usando métricas como el error medio de posición. Valida tu modelo con datos no vistos para asegurarte de que puede generalizar. Traza matrices de confusión y analiza las predicciones para seguir ajustando tu modelo.

Los modelos Ultralytics YOLOv8 se pueden validar fácilmente con un único comando de CLI, que incluye varias funciones clave, como la configuración automática de hiperparámetros, la compatibilidad con múltiples métricas, etc.

Ultralytics también admite algunos argumentos de CLI y Python que puedes usar durante la validación para obtener mejores resultados según tus necesidades. Para obtener más información, puedes consultar nuestra documentación.

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 Ultralytics YOLOv8 personalizado en Google Colab. Pero nuestro viaje no termina aquí. En nuestro próximo vídeo, veremos cómo exportar los pesos del modelo y ejecutar inferencias en directo usando nuestro modelo YOLOv8 entrenado de forma personalizada. Prepárate para una experiencia emocionante mientras ampliamos los límites de la detección de objetos. ¡No te lo pierdas!

Conclusiones#

Gracias por acompañarnos mientras explorábamos el mundo de la detección de objetos personalizada con Ultralytics YOLOv8 en Google Colab. No te pierdas las próximas novedades y tutoriales mientras seguimos explorando las posibilidades ilimitadas de la IA y el aprendizaje automático.

Con esta completa guía, ya tienes todo lo necesario para entrenar tus propios modelos de detección de objetos personalizados usando Ultralytics YOLOv8 en Google Colab. ¡Mira el tutorial completo Mira el tutorial completo!