Addestramento di dataset personalizzati con Ultralytics YOLOv8 in Google Colab

In questo blog vedremo come padroneggiare il rilevamento di oggetti personalizzati usando Ultralytics YOLOv8 in Google Colab. Preparati a scatenare la potenza di YOLOv8 mentre ti guidiamo attraverso l'intero processo, dalla configurazione all'addestramento e alla valutazione.

Configurazione del modello Ultralytics YOLOv8 in Google Colab#

Iniziamo configurando il nostro ambiente in Google Colab. Ma cos'è Google Colab? Abbreviazione di Google Colaboratory, Google Colab è una piattaforma cloud gratuita di Google per scrivere ed eseguire codice Python.

Il primo passo per configurarlo è assicurarsi di avere accesso a una GPU selezionando il tipo di runtime appropriato. Verifica che tutto funzioni correttamente usando il comando nvidia-smi per controllare la tua configurazione GPU.

Successivamente, installa Ultralytics e le dipendenze di YOLOv8 usando pip. Importa il modello YOLO da Ultralytics per iniziare il nostro viaggio nel rilevamento di oggetti personalizzati.

Etichettatura e preparazione del tuo dataset#

Ora prepariamo il nostro dataset. Etichetta i tuoi dati con bounding boxes, specificando le classi per ciascun oggetto. Esporta il tuo dataset nel formato YOLOv8 da Ultralytics e importalo nel tuo notebook Google Colab.

Allena il tuo modello personalizzato Ultralytics YOLOv8#

Imposta il task su detect per il rilevamento di oggetti e scegli la dimensione del model di YOLOv8 più adatta alle tue esigenze. Specifica la posizione del tuo dataset, il numero di epoche e la dimensione dell'immagine per l'addestramento. Guarda come il tuo modello impara e si adatta, grazie alla potenza di YOLOv8 e all'accelerazione GPU.

Valutazione e convalida del tuo modello#

Una volta completato l'addestramento, valuta le prestazioni del tuo modello usando metriche come l'errore medio di posizione. Convalida il tuo modello su dati non visti per assicurarne le capacità di generalizzazione. Traccia le matrici di confusione e analizza le predizioni per mettere a punto ulteriormente il tuo modello.

I modelli Ultralytics YOLOv8 possono essere convalidati facilmente con un singolo comando CLI, che possiede molteplici caratteristiche chiave, come l'impostazione automatica degli iperparametri, il supporto a metriche multiple e altro ancora.

Ultralytics supporta anche alcuni argomenti CLI e Python che gli utenti possono utilizzare durante la validazione per ottenere risultati migliori in base alle proprie esigenze. Per ulteriori informazioni, puoi esplorare la nostra docs.

Fig 1. Nicolai Nielsen che illustra come addestrare dataset personalizzati con Ultralytics YOLOv8 in Google Colab.

Porta il tuo modello al livello successivo#

Ora hai addestrato con successo il tuo modello personalizzato Ultralytics YOLOv8 in Google Colab. Ma il nostro viaggio non finisce qui. Nel nostro prossimo video, esploreremo come esportare i pesi del modello ed eseguire l'inferenza in tempo reale utilizzando il nostro modello YOLOv8 addestrato su misura. Preparati a un'esperienza entusiasmante mentre spingiamo i confini del rilevamento di oggetti. Rimani sintonizzato!

In conclusione#

Grazie per esserti unito a noi mentre esploravamo il mondo del rilevamento di oggetti personalizzato con Ultralytics YOLOv8 in Google Colab. Rimani sintonizzato per ulteriori aggiornamenti entusiasmanti e tutorial mentre continuiamo a esplorare le infinite possibilità dell'IA e del machine learning.

Con questa guida completa, ora sei attrezzato per addestrare i tuoi modelli di rilevamento di oggetti personalizzati usando Ultralytics YOLOv8 in Google Colab. Guarda il tutorial completo Watch the full tutorial!