11 de abril de 2024
Domine a formação de conjuntos de dados personalizados com o Ultralytics YOLOv8 no Google Colab. Desde a configuração à formação e avaliação, este guia cobre tudo.
Neste blogue, veremos como dominar a deteção de objectos personalizados utilizando o Ultralytics YOLOv8 no Google Colab. Prepare-se para libertar o poder do YOLOv8 enquanto o orientamos ao longo de todo o processo, desde a configuração à formação e avaliação.
Vamos começar por configurar o nosso ambiente no Google Colab. O que é Google Colab? Abreviatura de Google Colaboratory, Google Colab é uma plataforma em nuvem gratuita da 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 tempo de execução apropriado. Verifique se tudo está a funcionar corretamente utilizando o comando nvidia para verificar a configuração da GPU .
Em seguida, instale as dependências Ultralytics e do YOLOv8 usando pip. Importe o modelo YOLO do Ultralytics para começar nossa jornada de deteção de objetos personalizados.
Agora, vamos preparar o nosso conjunto de dados. Rotule os seus dados com caixas delimitadoras, especificando as classes para cada objeto. Exporte o seu conjunto de dados para o formato YOLOv8 do Ultralytics e importe-o para o seu bloco de notas Google Colab.
Definir a tarefa para detect para a deteção de objectos e escolha a opção YOLOv8 que se adapta às suas necessidades. Especifique a localização do seu conjunto de dados, o número de épocas e o tamanho da imagem para treino. Veja como o seu modelo aprende e se adapta, graças ao poder do YOLOv8 e à aceleração GPU .
Após a conclusão do treinamento, avalie o desempenho do seu modelo usando métricas como o erro médio de posição. Valide seu modelo em dados não vistos para garantir suas capacidades de generalização. Trace matrizes de confusão e analise as previsões para ajustar ainda mais seu modelo.
Os modelos Ultralytics YOLOv8 podem ser validados facilmente com um único comando CLI , que possui várias caraterísticas-chave, ou seja, definição automática de hiperparâmetros, suporte de várias métricas, etc.
Ultralytics também suporta alguns argumentos CLI e Python que os utilizadores podem utilizar durante a validação para obter melhores resultados de acordo com as suas necessidades. Para mais informações, pode explorar os nossos documentos.
Já treinou com êxito o seu modelo YOLOv8 personalizado no Google Colab. Mas a nossa viagem não termina aqui. No próximo vídeo, vamos explorar a forma de exportar os pesos do modelo e executar a inferência em tempo real utilizando o nosso modelo YOLOv8 treinado de forma personalizada. Prepare-se para uma experiência emocionante à medida que ultrapassamos os limites da deteção de objectos. Fique ligado!
Obrigado por se ter juntado a nós enquanto analisávamos o mundo da deteção de objectos personalizados com o YOLOv8 no Google Colab. Fique atento a mais actualizações e tutoriais interessantes à medida que continuamos a explorar as possibilidades ilimitadas da IA e da aprendizagem automática.
Com este guia completo, está agora equipado para treinar os seus próprios modelos personalizados de deteção de objectos utilizando o Ultralytics YOLOv8 no Google Colab. Veja o tutorial completo aqui!
