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 allons voir comment maîtriser la détection d'objets personnalisés avec Ultralytics YOLOv8 dans Google Colab. Prépare-toi à libérer la puissance de YOLOv8 alors que nous te guidons tout au long du processus, 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. 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 à l'aide de pip. importe le modèle YOLO depuis Ultralytics pour commencer ton parcours de détection d'objets personnalisés.
Étiquetage et préparation de ton jeu de données#
Maintenant, préparons notre dataset. Étiquette tes données avec des bounding boxes, en spécifiant les classes pour chaque objet. Exporte ton dataset au format YOLOv8 depuis Ultralytics et importe-le dans ton notebook Google Colab.
Entraîne ton modèle personnalisé Ultralytics YOLOv8#
Définis la tâche sur detect pour la détection d'objets et choisis la taille du model YOLOv8 qui correspond à tes besoins. Spécifie l'emplacement de ton dataset, le nombre d'époques et la taille de l'image pour l'entraînement. Regarde 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 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 lors de la validation pour obtenir de meilleurs résultats en fonction de tes besoins. Pour plus d'informations, tu peux explorer nos docs.
Fig 1. Nicolai Nielsen expliquant comment entraîner des datasets 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 voyage ne s'arrête pas là. Dans notre prochaine vidéo, nous explorerons comment exporter les poids du modèle et exécuter une inférence en direct à l'aide de notre modèle YOLOv8 personnalisé. Prépare-toi à vivre une expérience exaltante alors que nous repoussons les limites de la détection d'objets. Reste à l'écoute !
Conclusion#
Merci de t'être joint à nous pour découvrir le monde de la détection d'objets personnalisée avec Ultralytics YOLOv8 dans Google Colab. Reste à l'écoute pour d'autres mises à jour et tutoriels passionnants alors que nous continuons d'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 !
