Addestramento di dataset personalizzati con Ultralytics YOLOv8 in Google Colab

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

Configurazione del modello YOLOv8 in Google Colab

Iniziamo configurando il nostro ambiente in Google Colab. Cos'è Google Colab? In breve, 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 utilizzando il comando nvidia-smi per controllare la configurazione della GPU.

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

Etichettatura e preparazione del tuo dataset

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

Addestramento del tuo modello YOLOv8 personalizzato

Imposta l'attività su detect per il rilevamento di oggetti e scegli la dimensione del modello 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 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 Ultralytics YOLOv8 possono essere convalidati facilmente con un singolo comando CLI, che ha molteplici funzionalità chiave, ovvero impostazione automatica degli iperparametri, supporto di più metriche e così via. 

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

Portare il tuo modello al livello successivo

Ora hai addestrato con successo il tuo modello YOLOv8 personalizzato 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 live utilizzando il nostro modello YOLOv8 addestrato personalizzato. Preparati per un'esperienza esaltante mentre spingiamo i confini del rilevamento di oggetti. Resta sintonizzato! 

Conclusione

Grazie per aver partecipato alla nostra esplorazione del mondo del rilevamento di oggetti personalizzato con YOLOv8 in Google Colab. Restate sintonizzati per ulteriori aggiornamenti e tutorial mentre continuiamo a esplorare le illimitate possibilità dell'IA e del machine learning. 

Con questa guida completa, ora hai gli strumenti per addestrare i tuoi modelli personalizzati di object detection utilizzando Ultralytics YOLOv8 in Google Colab. Guarda il tutorial completo qui!