Addestramento di dataset personalizzati con Ultralytics YOLOv8 in Google Colab

In questo blog vedremo come padroneggiare il rilevamento di oggetti personalizzato usando Ultralytics YOLOv8 in Google Colab. Preparati a sfruttare tutta la potenza di YOLOv8 mentre ti guideremo 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. Che 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 passaggio per configurarlo consiste nell'assicurarti 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 configurazione della GPU.

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

Etichettatura e preparazione del dataset#

Ora prepariamo il nostro dataset. Etichetta i tuoi dati con i riquadri di delimitazione, specificando le classi di ogni oggetto. Esporta il tuo dataset nel formato YOLOv8 da Ultralytics e importalo nel tuo notebook Google Colab.

Addestramento del tuo modello Ultralytics YOLOv8 personalizzato#

Imposta l'attività su detect per il rilevamento degli oggetti e scegli la dimensione del modello YOLOv8 più adatta alle tue esigenze. Specifica la posizione del dataset, il numero di epoche e la dimensione delle immagini per l'addestramento. Osserva il tuo modello mentre impara e si adatta grazie alla potenza di YOLOv8 e all'accelerazione GPU.

Valutazione e convalida del 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 utilizzati in precedenza per assicurarti che sia in grado di generalizzare. Traccia le matrici di confusione e analizza le predizioni per ottimizzare ulteriormente il tuo modello.

I modelli Ultralytics YOLOv8 possono essere convalidati facilmente con un singolo comando CLI, che offre diverse funzionalità chiave, come l'impostazione automatica degli iperparametri, il supporto per più metriche e altro ancora.

Ultralytics supporta anche alcuni argomenti CLI e Python che gli utenti possono usare durante la convalida per ottenere risultati migliori in base alle proprie esigenze. Per ulteriori informazioni, puoi consultare la nostra documentazione.

Fig. 1. Nicolai Nielsen 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 Ultralytics YOLOv8 personalizzato in Google Colab. Ma il nostro percorso non finisce qui. Nel prossimo video vedremo come esportare i pesi del modello ed eseguire l'inferenza in tempo reale usando il nostro modello YOLOv8 addestrato su dati personalizzati. Preparati a un'esperienza entusiasmante mentre superiamo i limiti del rilevamento degli oggetti. Continua a seguirci!

Conclusioni#

Grazie per averci seguito mentre esploravamo il mondo del rilevamento di oggetti personalizzato con Ultralytics YOLOv8 in Google Colab. Continua a seguirci per ulteriori aggiornamenti e tutorial interessanti, mentre continuiamo a esplorare le possibilità illimitate dell'AI e del machine learning.

Con questa guida completa, ora hai tutto ciò che ti serve per addestrare i tuoi modelli personalizzati di rilevamento degli oggetti usando Ultralytics YOLOv8 in Google Colab. Guarda il tutorial completo Guarda il tutorial completo!