11 aprile 2024
Imparate a formare insiemi di dati personalizzati con Ultralytics YOLOv8 in Google Colab. Dalla configurazione alla formazione e alla valutazione, questa guida copre tutto.
In questo blog vedremo come padroneggiare il rilevamento di oggetti personalizzati utilizzando Ultralytics YOLOv8 in Google Colab. Preparatevi a scatenare la potenza di YOLOv8 mentre vi guidiamo attraverso l'intero processo, dalla configurazione alla formazione e alla valutazione.
Cominciamo a impostare 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 passo per la configurazione è assicurarsi di avere accesso a una GPU selezionando il tipo di runtime appropriato. Per verificare che tutto funzioni correttamente, utilizzare il comando nvidia verificare la configurazione della GPU .
Quindi, installare Ultralytics e le dipendenze di YOLOv8 usando pip. Importare il modello YOLO da Ultralytics per iniziare il nostro percorso di rilevamento degli oggetti personalizzati.
Ora prepariamo il nostro set di dati. Etichettare i dati con caselle di delimitazione, specificando le classi per ogni oggetto. Esportare il dataset nel formato YOLOv8 da Ultralytics e importarlo nel blocco note di Google Colab.
Impostare l'attività per detect per il rilevamento degli oggetti e scegliere l'opzione YOLOv8 che soddisfa le vostre esigenze. Specificare la posizione del dataset, il numero di epoche e le dimensioni dell'immagine per l'addestramento. Osservate come il vostro modello apprende e si adatta, grazie alla potenza di YOLOv8 e all'accelerazione GPU .
Una volta completato l'addestramento, valuta le prestazioni del tuo modello utilizzando metriche come l'errore medio di posizione. Convalida il tuo modello su dati non visti per garantirne le capacità di generalizzazione. Traccia le matrici di confusione e analizza le previsioni per mettere a punto ulteriormente il tuo modello.
I modelli di Ultralytics YOLOv8 possono essere convalidati facilmente con un unico comando CLI , dotato di numerose funzionalità chiave, come l'impostazione automatica degli iperparametri, il supporto di più metriche e così via.
Ultralytics supporta anche alcuni argomenti CLI e Python che gli utenti possono utilizzare durante la validazione per ottenere risultati migliori in base alle loro esigenze. Per ulteriori informazioni, potete consultare la nostra documentazione.
Ora avete addestrato con successo il vostro modello YOLOv8 personalizzato in Google Colab. Ma il nostro viaggio non finisce qui. Nel prossimo video esploreremo come esportare i pesi del modello ed eseguire l'inferenza dal vivo utilizzando il nostro modello YOLOv8 addestrato su misura. Preparatevi a un'esperienza esaltante, mentre ci spingiamo oltre i confini del rilevamento degli oggetti. Restate sintonizzati!
Grazie per esservi uniti a noi mentre guardiamo al mondo del rilevamento di oggetti personalizzati con YOLOv8 in Google Colab. Restate sintonizzati per ulteriori aggiornamenti ed esercitazioni, mentre continuiamo a esplorare le possibilità illimitate dell'IA e dell'apprendimento automatico.
Grazie a questa guida completa, ora siete in grado di addestrare i vostri modelli di rilevamento degli oggetti personalizzati utilizzando Ultralytics YOLOv8 in Google Colab. Guardate l'esercitazione completa qui!
