Addestramento di dataset personalizzati con Ultralytics YOLOv8 in Google Colab
Padroneggia l'addestramento di dataset personalizzati con Ultralytics YOLOv8 in Google Colab. Dalla configurazione all'addestramento e alla valutazione, questa guida copre tutto.
In questo blog vedremo come padroneggiare il rilevamento di oggetti personalizzati utilizzando Ultralytics YOLOv8 in Google Colab. Preparati a scatenare la potenza di YOLOv8 mentre ti guidiamo attraverso l'intero processo, dalla configurazione all'addestramento e alla valutazione.
Link to this sectionConfigurazione del modello YOLOv8 in Google Colab#
Iniziamo configurando il nostro ambiente in Google Colab. Ma 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 configurarlo è assicurarsi 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 tua configurazione GPU.
Successivamente, installa Ultralytics e le dipendenze di YOLOv8 usando pip. Importa il modello YOLO da Ultralytics per iniziare il nostro viaggio nel rilevamento di oggetti personalizzati.
Link to this sectionEtichettatura e preparazione del tuo dataset#
Ora prepariamo il nostro dataset. Etichetta i tuoi dati con bounding boxes, specificando le classi per ogni oggetto. Esporta il tuo dataset nel formato YOLOv8 di Ultralytics e importalo nel tuo notebook Google Colab.
Link to this sectionAddestramento del tuo modello YOLOv8 personalizzato#
Set the task to detect for object detection and choose the YOLOv8 model size that suits your needs. Specify the location of your dataset, the number of epochs, and image size for training. Watch as your model learns and adapts, thanks to the power of YOLOv8 and GPU acceleration.
Link to this sectionValutazione e convalida del tuo 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 visti per assicurarne le capacità di generalizzazione. Traccia le matrici di confusione e analizza le predizioni per mettere a punto ulteriormente il tuo modello.
I modelli Ultralytics YOLOv8 possono essere convalidati facilmente con un singolo comando CLI, che possiede molteplici caratteristiche chiave, come l'impostazione automatica degli iperparametri, il supporto a metriche multiple e altro ancora.
Ultralytics supporta anche alcuni argomenti CLI e Python che gli utenti possono utilizzare durante la convalida per ottenere risultati migliori in base alle proprie esigenze. Per ulteriori informazioni, puoi esplorare la nostra documentazione.
Fig 1. Nicolai Nielsen delinea come addestrare dataset personalizzati con Ultralytics YOLOv8 in Google Colab.
Link to this sectionPorta 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 dal vivo utilizzando il nostro modello YOLOv8 personalizzato. Preparati a un'esperienza entusiasmante mentre spingiamo i confini del rilevamento di oggetti. Resta sintonizzato!
Link to this sectionIn conclusione#
Grazie per esserti unito a noi mentre esploravamo il mondo del rilevamento di oggetti personalizzati con YOLOv8 in Google Colab. Resta sintonizzato per altri aggiornamenti e tutorial entusiasmanti mentre continuiamo a esplorare le possibilità illimitate dell'IA e del machine learning.
Con questa guida completa, ora sei pronto ad addestrare i tuoi modelli personalizzati di rilevamento oggetti utilizzando Ultralytics YOLOv8 in Google Colab. Guarda il tutorial completo Watch the full tutorial!
