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

この記事では、Ultralytics YOLOv8を使ってGoogle Colabでカスタム物体検出モデルをトレーニングする方法を紹介し、セットアップからトレーニング、評価までの全工程を解説します。

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

まず、Google Colabで環境をセットアップしましょう。Google Colabとは何でしょうか。Google Colaboratoryの略称であるGoogle Colabは、Pythonコードの作成と実行に利用できるGoogleの無料クラウドプラットフォームです。

セットアップの最初の手順は、適切なランタイムタイプを選択してGPUを利用できる状態にすることです。nvidia-smiコマンドを使ってGPUの設定を確認し、すべてが正常に動作していることを確かめてください。

次に、YOLOv8とその依存関係を含むultralyticsパッケージをpipでインストールします。その後、ultralyticsからYOLOクラスをインポートし、カスタム物体検出モデルの構築を開始します。

データセットのラベリングと準備#

次に、データセットを準備します。バウンディングボックスを使ってデータにラベルを付け、各物体のクラスを指定してください。データセットをUltralytics YOLO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Ultralytics YOLOv8モデルのトレーニング#

物体検出にはタスクとしてdetectを設定し、ニーズに合ったYOLOv8モデルのサイズを選択します。データセットの場所、エポック数、トレーニング時の画像サイズを指定してください。GPUアクセラレーションにより、モデルがデータから学習する間もトレーニングを高速に保てます。

モデルの評価と検証#

トレーニングが完了したら、平均適合率（mAP）などの指標を使っ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、十分に汎化できていることを確認してください。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、yolo val model=path/to/best.ptのような単一のCLIコマンドで検証できます。このコマンドはトレーニング時の設定を自動的に再利用し、複数の指標を報告します。

Ultralyticsは、検証時に出力をニーズに合わせて調整できるCLIおよびPythonの引数もサポートしています。詳しくは、検証モードのドキュメントをご覧ください。

図1. Google ColabでUltralytics YOLOv8を使ってカスタムデータセットをトレーニングする方法を説明するNicolai Nielsen。

モデルを次のレベルへ#

これで、Google ColabでカスタムUltralytics YOLOv8モデルのトレーニングが完了しました。次の動画では、カスタムトレーニング済みYOLOv8モデルを使ってモデルの重みをエクスポートし、ライブ推論を実行する方法を紹介します。

まとめ#

Google Colabで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と機械学習に関する今後のチュートリアルもぜひご期待ください。

この包括的なガイドを通じて、Google ColabでUltralytics YOLOv8を使い、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。手順に沿って進めるには、チュートリアルの全編をご覧ください。