Addestrare modelli su dataset personalizzati con Ultralytics YOLOv8 in Google Colab

In questo articolo vediamo come addestrare un modello personalizzato di rilevamento degli oggetti con Ultralytics YOLOv8 in Google Colab, seguendo l'intero processo, dalla configurazione all'addestramento e alla valutazione.

Configurazione del modello Ultralytics YOLOv8 in Google Colab#

Cominciamo 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.

Per prima cosa, assicurati 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.

Poi installa il pacchetto ultralytics, che include YOLOv8 e le relative dipendenze, usando pip. Quindi importa la classe YOLO da ultralytics per iniziare a creare il tuo modello personalizzato di rilevamento degli oggetti.

Etichettatura e preparazione del dataset#

Ora prepariamo il dataset. Etichetta i dati con riquadri di delimitazione, specificando le classi di ciascun oggetto. Esporta il dataset nel formato Ultralytics YOLO 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 il percorso del dataset, il numero di epoche e la dimensione delle immagini per l'addestramento. L'accelerazione GPU mantiene rapido l'addestramento mentre il modello apprende dai dati.

Valutazione e convalida del modello#

Al termine dell'addestramento, valuta le prestazioni del modello usando metriche come la precisione media media (mAP). Convalida il modello su dati mai visti prima per assicurarti che generalizzi bene. Traccia le matrici di confusione e analizza le predizioni per perfezionare ulteriormente il modello.

I modelli Ultralytics YOLOv8 possono essere convalidati con un singolo comando CLI, ad esempio yolo val model=path/to/best.pt, che riutilizza automaticamente le impostazioni dell'addestramento e restituisce diverse metriche.

Ultralytics supporta anche argomenti CLI e Python che puoi usare durante la convalida per adattare l'output alle tue esigenze. Per saperne di più, consulta la documentazione della modalità di convalida.

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

Porta il tuo modello al livello successivo#

Hai addestrato correttamente il tuo modello personalizzato Ultralytics YOLOv8 in Google Colab. Nel prossimo video vedremo come esportare i pesi del modello ed eseguire inferenze in tempo reale usando il modello YOLOv8 che hai addestrato.

In conclusione#

Grazie per averci seguito alla scoperta del rilevamento personalizzato degli oggetti con Ultralytics YOLOv8 in Google Colab. Resta in attesa di altri tutorial su AI e machine learning.

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