Treinando conjuntos de dados personalizados com Ultralytics YOLOv8 no Google Colab
Domine o treinamento de conjuntos de dados personalizados com Ultralytics YOLOv8 no Google Colab. Este guia aborda tudo, da configuração ao treinamento e à avaliação.
Nesta publicação, vamos ver como dominar a detecção de objetos personalizada usando Ultralytics YOLOv8 no Google Colab. Prepare-se para aproveitar todo o poder do YOLOv8 enquanto mostramos todo o processo, da configuração ao treinamento e à avaliação.
Configurando o modelo Ultralytics YOLOv8 no Google Colab#
Vamos começar configurando nosso ambiente no Google Colab. Mas o que é o Google Colab? Abreviação de Google Colaboratory, o Google Colab é uma plataforma gratuita na nuvem do Google para escrever e executar código Python.
O primeiro passo para configurar isso é garantir que você tenha acesso a uma GPU selecionando o tipo de ambiente de execução apropriado. Confira se tudo está funcionando corretamente usando o comando nvidia-smi para verificar a configuração da GPU.
Em seguida, instale o Ultralytics e as dependências do YOLOv8 usando pip. Importe o modelo YOLO do Ultralytics para começar nossa jornada de detecção de objetos personalizada.
Rotulando e preparando seu conjunto de dados#
Agora, vamos preparar nosso conjunto de dados. Rotule seus dados com caixas delimitadoras, especificando as classes de cada objeto. Exporte seu conjunto de dados para o formato YOLOv8 do Ultralytics e importe-o para seu notebook do Google Colab.
Treinando seu modelo Ultralytics YOLOv8 personalizado#
Defina a tarefa como detecção de objetos e escolha o tamanho do modelo YOLOv8 adequado às suas necessidades. Especifique o local do conjunto de dados, o número de épocas e o tamanho da imagem para o treinamento. Acompanhe como seu modelo aprende e se adapta graças ao poder do YOLOv8 e à aceleração por GPU.
Avaliando e validando seu modelo#
Quando o treinamento terminar, avalie o desempenho do seu modelo usando métricas como a posição média do erro. Valide seu modelo com dados inéditos para garantir sua capacidade de generalização. Plote matrizes de confusão e analise as previsões para ajustar ainda mais o modelo.
Os modelos Ultralytics YOLOv8 podem ser validados facilmente com um único comando da CLI, que inclui vários recursos importantes, como configuração automática de hiperparâmetros, suporte a várias métricas e muito mais.
O Ultralytics também oferece suporte a alguns argumentos da CLI e do Python que os usuários podem usar durante a validação para obter melhores resultados, conforme suas necessidades. Para saber mais, consulte nossa documentação.
Fig. 1. Nicolai Nielsen explicando como treinar conjuntos de dados personalizados com Ultralytics YOLOv8 no Google Colab.
Levando seu modelo ao próximo nível#
Agora você treinou com sucesso seu modelo Ultralytics YOLOv8 personalizado no Google Colab. Mas nossa jornada não termina aqui. No próximo vídeo, vamos explorar como exportar os pesos do modelo e executar inferência ao vivo usando nosso modelo YOLOv8 treinado com dados personalizados. Prepare-se para uma experiência empolgante enquanto ampliamos os limites da detecção de objetos. Fique ligado!
Encerramento#
Agradecemos por nos acompanhar enquanto explorávamos o mundo da detecção de objetos personalizada com Ultralytics YOLOv8 no Google Colab. Fique por dentro das próximas novidades e tutoriais enquanto continuamos a explorar as possibilidades ilimitadas da IA e do aprendizado de máquina.
Com este guia completo, você já tem tudo o que precisa para treinar seus próprios modelos personalizados de detecção de objetos usando Ultralytics YOLOv8 no Google Colab. Assista ao tutorial completo!
