Treinando conjuntos de dados personalizados com Ultralytics YOLOv8 no Google Colab

Neste blog, veremos como dominar a detecção de objetos personalizados usando o Ultralytics YOLOv8 no Google Colab. Prepare-se para liberar o poder do YOLOv8 enquanto guiamos você por todo o processo, desde a configuração até o treinamento e a avaliação.

Link to this sectionConfigurando o modelo 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 em nuvem gratuita 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 runtime apropriado. Verifique se tudo está funcionando corretamente usando o comando nvidia-smi para validar a configuração da sua GPU.

Em seguida, instale as dependências do Ultralytics e YOLOv8 usando pip. Importe o modelo YOLO do Ultralytics para começar sua jornada de detecção de objetos personalizados.

Link to this sectionRotulando e preparando seu dataset#

Agora, vamos preparar nosso dataset. Rotule seus dados com bounding boxes, especificando as classes para cada objeto. Exporte seu dataset para o formato YOLOv8 do Ultralytics e importe-o para o seu notebook do Google Colab.

Link to this sectionTreinando seu modelo YOLOv8 personalizado#

Set the task to detect for object detection and choose the YOLOv8 model size that suits your needs. Specify the location of your dataset, the number of epochs, and image size for training. Watch as your model learns and adapts, thanks to the power of YOLOv8 and GPU acceleration.

Link to this sectionAvaliando e validando seu modelo#

Assim que o treinamento for concluído, avalie o desempenho do seu modelo usando métricas como erro médio de posição. Valide seu modelo em dados nunca vistos para garantir suas capacidades de generalização. Plote matrizes de confusão e analise as previsões para ajustar ainda mais o seu modelo.

Os modelos Ultralytics YOLOv8 podem ser validados facilmente com um único comando CLI, que possui vários recursos importantes, como ajuste automático de hiperparâmetros, suporte a múltiplas métricas, entre outros.

O Ultralytics também suporta alguns argumentos de CLI e Python que os usuários podem usar durante a validação para obter melhores resultados de saída de acordo com suas necessidades. Para mais informações, você pode explorar nossa docs.

Fig 1. Nicolai Nielsen descrevendo como treinar datasets personalizados com Ultralytics YOLOv8 no Google Colab.

Link to this sectionLevando seu modelo para o próximo nível#

Você treinou com sucesso o seu modelo YOLOv8 personalizado no Google Colab. Mas nossa jornada não termina aqui. No nosso próximo vídeo, exploraremos como exportar pesos de modelo e executar inferência ao vivo usando nosso modelo YOLOv8 treinado. Prepare-se para uma experiência empolgante enquanto superamos os limites da detecção de objetos. Fique ligado!

Link to this sectionConclusão#

Obrigado por se juntar a nós enquanto exploramos o mundo da detecção de objetos personalizados com YOLOv8 no Google Colab. Fique atento para mais atualizações interessantes e tutoriais à medida que continuamos a explorar as possibilidades ilimitadas de IA e aprendizado de máquina.

Com este guia abrangente, estás agora preparado para treinar os teus próprios modelos personalizados de detecção de objetos utilizando o Ultralytics YOLOv8 no Google Colab. Vê o tutorial completo Watch the full tutorial!