11 avril 2024
Maîtrisez l'entraînement de jeux de données personnalisés avec Ultralytics YOLOv8 dans Google Colab. De la configuration à l'entraînement et à l'évaluation, ce guide couvre tout.
Dans ce blog, nous allons voir comment maîtriser la détection d'objets personnalisés à l'aide d'Ultralytics YOLOv8 dans Google Colab. Préparez-vous à libérer la puissance de YOLOv8 en vous guidant à travers l'ensemble du processus, de la configuration à l'entraînement et à l'évaluation.
Commençons par configurer notre environnement dans Google Colab. Alors, qu'est-ce que Google Colab ? Abréviation de Google Colaboratory, Google Colab est une plateforme cloud gratuite de Google pour écrire et exécuter du code Python.
La première étape de la configuration consiste à vous assurer que vous avez accès à un GPU en sélectionnant le type d'exécution approprié. Vérifiez que tout fonctionne correctement en utilisant la commande nvidia-smi pour vérifier la configuration de votre GPU.
Ensuite, installez Ultralytics et les dépendances de YOLOv8 en utilisant pip. Importez le modèle YOLO d'Ultralytics pour démarrer notre parcours de détection d'objets personnalisée.
Maintenant, préparons notre ensemble de données. Étiquetez vos données avec des boîtes englobantes, en spécifiant les classes pour chaque objet. Exportez votre ensemble de données au format YOLOv8 depuis Ultralytics et importez-le dans votre notebook Google Colab.
Définissez la tâche sur detect pour la détection d'objets et choisissez la taille du modèle YOLOv8 qui convient à vos besoins. Spécifiez l'emplacement de votre jeu de données, le nombre d'époques et la taille de l'image pour l'entraînement. Regardez votre modèle apprendre et s'adapter, grâce à la puissance de YOLOv8 et à l'accélération GPU.
Une fois l'entraînement terminé, évaluez les performances de votre modèle à l'aide de mesures telles que la position d'erreur moyenne. Validez votre modèle sur des données non vues pour garantir ses capacités de généralisation. Tracez des matrices de confusion et analysez les prédictions pour affiner davantage votre modèle.
Les modèles Ultralytics YOLOv8 peuvent être validés facilement avec une seule commande CLI, qui possède de multiples fonctionnalités clés, à savoir le réglage automatique des hyperparamètres, la prise en charge de plusieurs métriques, etc.
Ultralytics prend également en charge certains arguments CLI et Python que les utilisateurs peuvent utiliser lors de la validation pour obtenir de meilleurs résultats en fonction de leurs besoins. Pour plus d'informations, vous pouvez consulter notre documentation.
Vous avez maintenant entraîné avec succès votre modèle YOLOv8 personnalisé dans Google Colab. Mais notre voyage ne s'arrête pas là. Dans notre prochaine vidéo, nous explorerons comment exporter les poids du modèle et exécuter l'inférence en direct à l'aide de notre modèle YOLOv8 entraîné sur mesure. Préparez-vous à une expérience exaltante alors que nous repoussons les limites de la détection d'objets. Restez à l'écoute !
Merci de vous être joints à nous pour découvrir le monde de la détection d'objets personnalisée avec YOLOv8 dans Google Colab. Restez à l'écoute pour d'autres mises à jour et tutoriels passionnants alors que nous continuons d'explorer les possibilités illimitées de l'IA et de l'apprentissage automatique.
Grâce à ce guide complet, vous êtes maintenant équipé pour entraîner vos propres modèles de détection d'objets personnalisés à l'aide d'Ultralytics YOLOv8 dans Google Colab. Regardez le tutoriel complet ici !
.webp)