Google ColabのUltralytics YOLOv8 、カスタムデータセットのトレーニングをマスターしましょう。セットアップからトレーニング、評価まで、このガイドがすべてをカバーします。
このブログでは、 Ultralytics YOLOv8 Google Colabで。の力を解き放つ準備をしてください YOLOv8 セットアップからトレーニング、評価まで、プロセス全体をご案内します。
まずは、Google Colabで環境を設定しましょう。では、Google Colabとは何でしょうか?Google Colaboratoryの略で、Google Colabは、Googleによる書き込みと実行のための無料のクラウドプラットフォームです Python コード。
このセットアップの最初のステップは、適切なランタイムタイプを選択してGPUにアクセスできることを確認することです。nvidia-smiコマンドを使ってGPUのセットアップを確認し、すべてがスムーズに動いていることをチェックします。
次に、Ultralytics とYOLOv8 の依存関係を pip を使ってインストールする。Ultralytics からYOLO モデルをインポートして、カスタムオブジェクト検出の旅を始めよう。
では、 データセットを準備しましょう。データに バウンディングボックスのラベルを付け、各オブジェクトのクラスを指定します。データセットをUltralytics からYOLOv8 フォーマットにエクスポートし、Google Colab ノートブックにインポートします。
オブジェクト検出のために 検出するタスクを設定し、ニーズに合ったモデルサイズを選択する。 YOLOv8 モデルサイズを選択します。データセットの場所、エポック数、トレーニング用の画像サイズを指定します。YOLOv8 、GPUアクセラレーションのパワーにより、モデルが学習し適応していく様子をご覧ください。
トレーニングが完了したら、平均誤差位置のような測定基準を使用してモデルのパフォーマンスを評価します。未知のデータでモデルを検証し、その汎化能力を確認します。混同行列をプロットして予測値を分析し、モデルをさらに微調整します。
Ultralytics YOLOv8 モデルは、自動ハイパーパラメータ設定、マルチメトリクスのサポートなど、複数の主要な機能を備えた単一のCLI コマンドで簡単に検証できる。
Ultralytics また、CLI とPython の引数もサポートしており、ユーザーが検証中に使用することで、ニーズに応じてより良い出力結果を得ることができます。詳細については、 ドキュメントを参照してください。
これで、カスタムのトレーニングに成功しました YOLOv8 Google Colabのモデル。しかし、私たちの旅はここで終わりではありません。次のビデオでは、モデルの重みをエクスポートし、カスタムトレーニングされた YOLOv8 モデル。物体検出の限界を押し広げる爽快な体験に備えましょう。乞うご期待!
カスタムオブジェクト検出の世界をご覧いただき、ありがとうございます。 YOLOv8 Google Colabで。AIと機械学習の無限の可能性を探求し続けるために、よりエキサイティングなアップデートとチュートリアルにご期待ください。
この包括的なガイドでは、 Ultralytics YOLOv8 Google Colabで。チュートリアルの全文 はこちらからご覧ください。
