Treino de conjuntos de dados personalizados com o Ultralytics YOLOv8 no Google Colab

Neste artigo, veremos como dominar a deteção personalizada de objetos usando o Ultralytics YOLOv8 no Google Colab. Prepara-te para explorar todo o poder do YOLOv8 enquanto te guiamos por todo o processo, desde a configuração até ao treino e à avaliação.

Configurar o modelo Ultralytics YOLOv8 no Google Colab#

Vamos começar por configurar o nosso ambiente no Google Colab. Então, o que é o Google Colab? Abreviatura de Google Colaboratory, o Google Colab é uma plataforma de cloud gratuita da Google para escrever e executar código Python.

O primeiro passo para fazer esta configuração é garantir que tens acesso a uma GPU, selecionando o tipo de runtime adequado. Verifica se tudo está a funcionar corretamente usando o comando nvidia-smi para confirmar a configuração da tua GPU.

Em seguida, instala as dependências do Ultralytics e do YOLOv8 usando pip. Importa o modelo YOLO do Ultralytics para começares a trabalhar na deteção personalizada de objetos.

Identificar e preparar o teu conjunto de dados#

Agora, vamos preparar o nosso conjunto de dados. Identifica os teus dados com caixas delimitadoras, especificando as classes de cada objeto. Exporta o teu conjunto de dados para o formato YOLOv8 a partir do Ultralytics e importa-o para o teu notebook do Google Colab.

Treinar o teu modelo personalizado Ultralytics YOLOv8#

Define a tarefa como detetar para a deteção de objetos e escolhe o tamanho do modelo YOLOv8 que melhor se adapta às tuas necessidades. Especifica a localização do teu conjunto de dados, o número de épocas e o tamanho das imagens para o treino. Observa como o teu modelo aprende e se adapta, graças ao poder do YOLOv8 e à aceleração por GPU.

Avaliar e validar o teu modelo#

Quando o treino estiver concluído, avalia o desempenho do teu modelo usando métricas como o erro médio de posição. Valida o teu modelo com dados não vistos para garantir as suas capacidades de generalização. Cria matrizes de confusão e analisa as previsões para aperfeiçoares ainda mais o teu modelo.

Os modelos Ultralytics YOLOv8 podem ser validados facilmente com um único comando da CLI, que inclui várias funcionalidades importantes, como a definição automática de hiperparâmetros, o suporte para várias métricas, entre outras.

O Ultralytics também suporta alguns argumentos da CLI e de Python que os utilizadores podem usar durante a validação para obter melhores resultados, de acordo com as suas necessidades. Para obteres mais informações, podes consultar a nossa documentação.

Fig. 1. Nicolai Nielsen a explicar como treinar conjuntos de dados personalizados com Ultralytics YOLOv8 no Google Colab.

Levar o teu modelo ao nível seguinte#

Agora treinaste com sucesso o teu modelo personalizado Ultralytics YOLOv8 no Google Colab. Mas a nossa jornada não termina aqui. No próximo vídeo, vamos explorar como exportar os pesos do modelo e executar inferência em direto usando o nosso modelo YOLOv8 treinado de forma personalizada. Prepara-te para uma experiência emocionante enquanto ultrapassamos os limites da deteção de objetos. Fica atento!

Conclusão#

Obrigado por te juntares a nós enquanto explorámos o mundo da deteção personalizada de objetos com Ultralytics YOLOv8 no Google Colab. Fica atento a mais novidades e tutoriais interessantes enquanto continuamos a explorar as possibilidades ilimitadas da IA e da aprendizagem automática.

Com este guia abrangente, estás agora preparado para treinar os teus próprios modelos personalizados de deteção de objetos usando Ultralytics YOLOv8 no Google Colab. Vê o tutorial completo Ver o tutorial completo!