Entraînement de 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 ce blog, nous verrons comment maîtriser la détection d'objets personnalisée en utilisant Ultralytics YOLOv8 dans Google Colab. Prépare-toi à libérer la puissance de YOLOv8 tandis que nous te guidons à travers tout le processus, de la configuration à l'entraînement et à l'évaluation.
Link to this sectionConfigurer le modèle YOLOv8 dans Google Colab#
Commençons par configurer notre environnement dans Google Colab. Mais qu'est-ce que Google Colab ? Abréviation de Google Colaboratory, Google Colab est une plateforme cloud gratuite fournie par Google pour écrire et exécuter du code Python.
La première étape consiste à t'assurer d'avoir accès à un GPU en sélectionnant le type d'exécution approprié. Vérifie que tout fonctionne correctement en utilisant la commande nvidia-smi pour confirmer la configuration de ton GPU.
Ensuite, installe Ultralytics et les dépendances de YOLOv8 en utilisant pip. Importe le modèle YOLO depuis Ultralytics pour démarrer ton parcours de détection d'objets personnalisée.
Link to this sectionÉtiquetage et préparation de ton jeu de données#
À présent, préparons notre jeu de données. Étiquette tes données avec des bounding boxes, en spécifiant les classes pour chaque objet. Exporte ton jeu de données vers le format YOLOv8 depuis Ultralytics et importe-le dans ton notebook Google Colab.
Link to this sectionEntraîner ton modèle YOLOv8 personnalisé#
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.
Link to this sectionÉvaluer et valider ton modèle#
Une fois l'entraînement terminé, évalue la performance de ton modèle en utilisant des métriques comme l'erreur moyenne de position. Valide ton modèle sur des données inédites pour t'assurer de ses capacités de généralisation. Trace des matrices de confusion et analyse les prédictions pour affiner davantage ton modèle.
Les modèles Ultralytics YOLOv8 peuvent être validés facilement avec une seule commande CLI, qui possède de multiples fonctionnalités clés comme 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 pendant la validation pour obtenir de meilleurs résultats selon tes besoins. Pour plus d'informations, tu peux explorer notre documentation.
Fig 1. Nicolai Nielsen expliquant comment entraîner des jeux de données personnalisés avec Ultralytics YOLOv8 dans Google Colab.
Link to this sectionFaire passer ton modèle au niveau supérieur#
Tu as maintenant entraîné avec succès ton 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 effectuer une inférence en direct en utilisant notre modèle YOLOv8 entraîné sur mesure. Prépare-toi à une expérience exaltante alors que nous repoussons les limites de la détection d'objets. Reste à l'écoute !
Link to this sectionConclusion#
Merci de nous avoir rejoints alors que nous explorions le monde de la détection d'objets personnalisée avec YOLOv8 dans Google Colab. Reste à l'écoute pour d'autres mises à jour et tutoriels passionnants alors que nous continuons à explorer les possibilités infinies de l'IA et de l'apprentissage automatique.
Grâce à ce guide complet, tu es maintenant équipé pour entraîner tes propres modèles de détection d'objets personnalisés en utilisant Ultralytics YOLOv8 dans Google Colab. Regarde le tutoriel complet Watch the full tutorial !
