Entraîner des jeux de données personnalisés avec Ultralytics YOLOv8 dans Google Colab
Maîtrise 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 cet article de blog, nous allons voir comment maîtriser la détection d'objets personnalisée avec Ultralytics YOLOv8 dans Google Colab. Prépare-toi à exploiter toute la puissance de YOLOv8 tandis que nous te guiderons tout au long du processus, de la configuration à l'entraînement et à l'évaluation.
Configurer le modèle Ultralytics YOLOv8 dans Google Colab#
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 permettant d'écrire et d'exécuter du code Python.
La première étape consiste à vérifier que tu as accès à un GPU en sélectionnant le type d'environnement d'exécution approprié. Vérifie que tout fonctionne correctement en utilisant la commande nvidia-smi pour contrôler la configuration de ton GPU.
Ensuite, installe Ultralytics et les dépendances de YOLOv8 à l'aide de pip. Importe le modèle YOLO depuis Ultralytics pour commencer à travailler sur notre projet de détection d'objets personnalisée.
Étiqueter et préparer ton jeu de données#
Préparons maintenant notre jeu de données. Étiquette tes données avec des boîtes englobantes, en indiquant les classes de chaque objet. Exporte ton jeu de données au format YOLOv8 depuis Ultralytics, puis importe-le dans ton notebook Google Colab.
Entraîner ton modèle Ultralytics YOLOv8 personnalisé#
Définis la tâche sur détecter pour la détection d'objets et choisis la taille du modèle YOLOv8 qui répond à tes besoins. Indique l'emplacement de ton jeu de données, le nombre d'époques et la taille des images pour l'entraînement. Observe ton modèle apprendre et s'adapter grâce à la puissance de YOLOv8 et à l'accélération GPU.
Évaluer et valider ton modèle#
Une fois l'entraînement terminé, évalue les performances de ton modèle à l'aide de métriques telles que la position moyenne de l'erreur. Valide ton modèle sur des données inédites afin de vérifier ses capacités de généralisation. Trace des matrices de confusion et analyse les prédictions pour affiner davantage ton modèle.
Les modèles Ultralytics YOLOv8 peuvent être facilement validés à l'aide d'une seule commande CLI, qui offre plusieurs fonctionnalités clés, notamment le réglage automatique des hyperparamètres, la prise en charge de plusieurs métriques, et bien plus encore.
Ultralytics prend également en charge certains arguments CLI et Python que tu peux utiliser lors de la validation pour obtenir de meilleurs résultats selon tes besoins. Pour plus d'informations, consulte notre documentation.
Fig. 1. Nicolai Nielsen explique comment entraîner des jeux de données personnalisés avec Ultralytics YOLOv8 dans Google Colab.
Faire passer ton modèle au niveau supérieur#
Tu as maintenant entraîné avec succès ton modèle Ultralytics YOLOv8 personnalisé dans Google Colab. Mais notre parcours ne s'arrête pas là. Dans notre prochaine vidéo, nous verrons comment exporter les poids du modèle et exécuter une inférence en direct à l'aide de notre modèle YOLOv8 entraîné sur mesure. Prépare-toi à une expérience passionnante tandis que nous repoussons les limites de la détection d'objets. Reste à l'écoute !
Pour conclure#
Merci de nous avoir accompagnés dans notre exploration de la détection d'objets personnalisée avec Ultralytics YOLOv8 dans Google Colab. Reste à l'écoute pour découvrir d'autres actualités et tutoriels passionnants, tandis que nous continuons à explorer les possibilités illimitées de l'IA et de l'apprentissage automatique.
Grâce à ce guide complet, tu disposes désormais de tout ce qu'il faut pour entraîner tes propres modèles de détection d'objets personnalisés avec Ultralytics YOLOv8 dans Google Colab. Regarde le tutoriel complet Regarde le tutoriel complet !
