X
Ultralytics YOLOv8.2 LibérationUltralytics YOLOv8.2 LibérationUltralytics YOLOv8.2 Flèche de déverrouillage
Contrôle vert
Lien copié dans le presse-papiers

Former des ensembles de données personnalisés avec Ultralytics YOLOv8 dans Google Colab

Master training custom datasets with Ultralytics YOLOv8 in Google Colab. From setup to training and evaluation, this guide covers it all.

In this blog we'll look at how to master custom object detection using Ultralytics YOLOv8 in Google Colab. Get ready to unleash the power of YOLOv8 as we guide you through the entire process, from setup to training and evaluation.

Setting Up YOLOv8 Model in Google Colab

Let's kick things off by setting up our environment in Google Colab. So what is Google Colab? Short for Google Colaboratory, Google Colab is a free cloud platform by Google for writing and running Python code. 

The first step to set this up is to ensure you have access to a GPU by selecting the appropriate runtime type. Check that everything's running smoothly by using the nvidia-smi command to verify your GPU setup.

Ensuite, installe les dépendances Ultralytics et YOLOv8 à l'aide de pip. Importe le modèle YOLO à partir de Ultralytics pour commencer notre voyage de détection d'objets personnalisés.

Étiquetage et préparation de ton jeu de données

Now, let's prepare our dataset.. Label your data with bounding boxes, specifying the classes for each object. Export your dataset to the YOLOv8 format from Ultralytics and import it into your Google Colab notebook.

Entraîne ton modèle personnalisé YOLOv8

Set the task to detect for object detection and choose the YOLOv8 model size that suits your needs. Specify the location of your dataset, the number of epochs, and image size for training. Watch as your model learns and adapts, thanks to the power of YOLOv8 and GPU acceleration.

Évaluer et valider ton modèle

Une fois la formation terminée, évalue les performances de ton modèle à l'aide de mesures telles que la position d'erreur moyenne. Valide ton modèle sur des données inédites pour t'assurer de ses capacités de généralisation. Trace les matrices de confusion et analyse les prédictions pour affiner ton modèle.

Ultralytics YOLOv8 peuvent être validés facilement à l'aide d'une seule commande CLI , qui possède de nombreuses fonctions clés, comme le réglage automatique des hyperparamètres, la prise en charge de plusieurs mesures, etc. 

Ultralytics prend également en charge certains arguments CLI et Python que les utilisateurs peuvent utiliser pendant la validation pour obtenir de meilleurs résultats en fonction de leurs besoins. Pour plus d'informations, tu peux consulter notre documentation.

Fig 1. Nicolai Nielsen outlining how to train custom datasets with Ultralytics YOLOv8 in Google Colab.

Faire passer ton modèle au niveau supérieur

You have now successfully trained your custom YOLOv8 model in Google Colab. But our journey doesn't end here. In our next video, we'll explore how to export model weights and run live inference using our custom-trained YOLOv8 model. Get ready for an exhilarating experience as we push the boundaries of object detection. Stay Tuned! 

Pour conclure

Thank you for joining us as we looked at the world of custom object detection with YOLOv8 in Google Colab. Stay tuned for more exciting updates and tutorials as we continue to explore the limitless possibilities of AI and machine learning. 

With this comprehensive guide, you're now equipped to train your own custom object detection models using Ultralytics YOLOv8 in Google Colab. Watch the full tutorial here

Logo FacebookLogo de TwitterLogo LinkedInSymbole du lien de copie

Lire la suite dans cette catégorie

Construisons ensemble le futur
de l'IA !

Commence ton voyage avec le futur de l'apprentissage automatique.