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上で 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見ていきます。セットアップからトレーニング、評価までのプロセス全体をご案内しながら、 YOLOv8 のパワーを最大限に引き出す準備をしましょう。

Google ColabでのUltralytics YOLOv8モデルのセットアップ#

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。

データセットのラベル付けと準備#

次に、 dataset を準備しましょう。 bounding boxes でデータにラベル付けを行い、各オブジェクトのクラスを指定します。Ultralytics からデータセットを YOLOv8 形式でエクスポートし、Google Colab ノートブックにインポートします。

カスタムのUltralytics YOLOv8モデルのトレーニング#

オブジェクト検出のタスクを detect に設定し、ニーズに合った YOLOv8 model のサイズを選択します。トレーニング用のデータセットの場所、エポック数、画像サイズを指定します。YOLOv8 と 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。

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応じてより良い出力結果を得るためにバリデーション時に使用できる、いくつかの CLI および Python の引数も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。

モデルを次のレベルへ#

Google ColabでのカスタムUltralytics YOLOv8モデルのトレーニングが正常に完了しました。しかし、私たちの旅はここで終わりません。次回の動画では、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について解説します。物体検出の限界に挑戦する、ワクワクする体験にご期待ください。お楽しみに！

まとめ#

Google ColabにおけるUltralytics YOLOv8を使ったカスタム物体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引き続き探求していきますので、今後のエキサイティングなアップデートやチュートリアルにご期待ください。

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オブジェクト検出モデルをトレーニングする準備が整いました。完全なチュートリアルをご覧ください Watch the full tutorial！