Formazione di set di dati personalizzati con Ultralytics YOLOv8 in Google Colab

In questo blog vedremo come padroneggiare il rilevamento di oggetti personalizzati utilizzando Ultralytics YOLOv8 in Google Colab. Preparatevi a liberare la potenza di YOLOv8 mentre vi guidiamo attraverso l'intero processo, dalla configurazione alla formazione e alla valutazione.

Impostazione del modello YOLOv8 in Google Colab

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 configurare il programma è assicurarsi di avere accesso a una GPU selezionando il tipo di runtime appropriato. Per verificare che tutto funzioni correttamente, utilizzare il comando nvidia-smi per 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.

Etichettatura e preparazione del set di dati

Ora prepariamo il nostro set di dati. Etichettare i dati con caselle di delimitazione, specificando le classi per ogni oggetto. Esportare il set di dati nel formato YOLOv8 da Ultralytics e importarlo nel blocco note di Google Colab.

Formazione del modello YOLOv8 personalizzato

Impostare l'attività da rilevare per il rilevamento degli oggetti e scegliere la dimensione del modello YOLOv8 adatta alle proprie esigenze. Specificare la posizione del dataset, il numero di epoche e le dimensioni dell'immagine per l'addestramento. Osservate come il modello apprende e si adatta, grazie alla potenza di YOLOv8 e all'accelerazione della GPU.

Valutazione e validazione del modello

Una volta completato l'addestramento, valutate le prestazioni del modello utilizzando metriche come la posizione media dell'errore. Convalidare il modello su dati inediti per garantirne le capacità di generalizzazione. Tracciare matrici di confusione e analizzare le previsioni per perfezionare ulteriormente il 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.

Portare il modello al livello successivo

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! 

Conclusione

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!