Entraîner des jeux de données personnalisés avec Ultralytics YOLOv8 dans Google Colab

Dans cet article, nous verrons comment entraîner un modèle personnalisé de détection d’objets avec Ultralytics YOLOv8 dans Google Colab, en détaillant toutes les étapes, de la configuration à l’entraînement et à l’évaluation.

Configuration du modèle Ultralytics YOLOv8 dans Google Colab#

Commençons par configurer notre environnement dans Google Colab. 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.

Pour commencer, assure-toi d’avoir accès à un GPU en sélectionnant le type d’environnement d’exécution approprié. Vérifie que tout fonctionne correctement à l’aide de la commande nvidia-smi, qui permet de vérifier la configuration de ton GPU.

Ensuite, installe le paquet ultralytics, qui comprend YOLOv8 et ses dépendances, à l’aide de pip. Importe ensuite la classe YOLO depuis ultralytics pour commencer à créer ton modèle personnalisé de détection d’objets.

Étiquetage et préparation de ton jeu de données#

Préparons maintenant notre jeu de données. Annote tes données avec des boîtes englobantes et indique la classe de chaque objet. Exporte le jeu de données au format Ultralytics YOLO, puis importe-le dans ton bloc-notes Google Colab.

Entraînement de ton modèle Ultralytics YOLOv8 personnalisé#

Définis la tâche sur detect pour la détection d’objets et choisis la taille du modèle YOLOv8 adaptée à tes besoins. Indique l’emplacement de ton jeu de données, le nombre d’époques et la taille des images pour l’entraînement. L’accélération GPU permet de réduire la durée de l’entraînement pendant que ton modèle apprend à partir des données.

Évaluation et validation de ton modèle#

Une fois l’entraînement terminé, évalue les performances de ton modèle à l’aide de mesures comme la précision moyenne moyenne (mAP). Valide ton modèle sur des données inédites pour vérifier sa capacité de généralisation. Trace les matrices de confusion et analyse les prédictions pour affiner encore ton modèle.

Les modèles Ultralytics YOLOv8 peuvent être validés à l’aide d’une seule commande CLI, par exemple yolo val model=path/to/best.pt, qui réutilise automatiquement les paramètres de l’entraînement et affiche plusieurs métriques.

Ultralytics prend également en charge les arguments CLI et Python que tu peux utiliser pendant la validation pour adapter les résultats à tes besoins. Pour en savoir plus, consulte la documentation du mode validation.

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 personnalisé Ultralytics YOLOv8 dans Google Colab. Dans notre prochaine vidéo, nous verrons comment exporter les poids du modèle et exécuter une inférence en direct avec notre modèle YOLOv8 personnalisé.

Pour conclure#

Merci de nous avoir accompagnés dans notre découverte de la détection d’objets personnalisée avec Ultralytics YOLOv8 dans Google Colab. Reste à l’écoute pour découvrir d’autres tutoriels sur l’IA et l’apprentissage automatique.

Grâce à ce guide complet, tu as maintenant tout ce qu’il faut pour entraîner tes propres modèles personnalisés de détection d’objets avec Ultralytics YOLOv8 dans Google Colab. Regarde le tutoriel complet pour suivre chaque étape.