Google ColabでUltralytics YOLOv8を使用してカスタムデータセットを学習する

このブログでは、Google ColabでUltralytics YOLOv8を使用してカスタムオブジェクト検出をマスターする方法を解説します。セットアップからトレーニング、評価に至るまで、プロセス全体をガイドしながらYOLOv8の力を解き放つ準備をしましょう。

Link to this sectionGoogle ColabでYOLOv8モデルをセットアップする#

まずはGoogle Colabで環境を構築しましょう。Google Colabとは何でしょうか？Google Colaboratoryの略であるGoogle Colabは、Pythonコードを記述および実行するためのGoogleによる無料のクラウドプラットフォームです。

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にアクセスできるようにすることです。nvidia-smiコマンドを使用してGPUのセットアップを検証し、すべてがスムーズに動作していることを確認してください。

次に、pipを使用してUltralyticsとYOLOv8の依存関係をインストールします。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ましょう。

Link to this sectionデータセットのラベル付けと準備#

次に、datasetを準備します。bounding boxesを使用してデータにラベルを付け、各オブジェクトのクラスを指定します。UltralyticsのYOLOv8形式でデータセットをエクスポートし、Google Colabノートブックにインポートします。

Link to this sectionカスタムYOLOv8モデルのトレーニング#

オブジェクト検出のためにタスクをdetectに設定し、ニーズに合わせてYOLOv8のmodel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の力とGPUアクセラレーションにより、モデルが学習し適応していく様子をご覧ください。

Link to this sectionモデルの評価と検証#

トレーニングが完了したら、平均エラー位置などの指標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、その汎化性能を確認します。混同行列をプロットし、予測を分析してモデルをさらに微調整します。

Ultralytics YOLOv8モデルは、単一のCLIコマンドで簡単に検証できます。このコマンドには、ハイパーパラメータの自動設定やマルチメトリクスサポートなど、多くの主要な機能が含まれています。

Ultralyticsは、ユーザーがニーズに合わせてより良い出力結果を得るために検証中に使用できるCLIおよびPythonの引数もいくつかサポートしています。詳細については、docsをご覧ください。

図1. Google ColabでUltralytics YOLOv8を使用してカスタムデータセットをトレーニングする方法を解説するNicolai Nielsen。

Link to this sectionモデルを次のレベルへ#

これで、Google ColabでカスタムYOLOv8モデルのトレーニングに成功しました。しかし、私たちの旅はここで終わりではありません。次回のビデオでは、モデルの重みをエクスポートし、カスタムトレーニングしたYOLOv8モデルを使用してライブ推論を実行する方法を探ります。オブジェクト検出の限界を押し広げる、刺激的な体験の準備をしてください。乞うご期待！

Link to this sectionまとめ#

Google ColabでのYOLOv8による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した。AIと機械学習の無限の可能性を探求し続ける中で、今後もワクワクするようなアップデートやチュートリアルをお届けしますので、ぜひご期待ください。

この包括的なガイドにより、Google Colab上でUltralytics YOLOv8を使用して独自のカスタム物体検出モデルをトレーニングする準備が整いました。フルチュートリアルをご覧ください Watch the full tutorial!