Treinando conjuntos de dados personalizados com Ultralytics YOLOv8 no Google Colab

Nesta publicação, mostramos como treinar um modelo personalizado de detecção de objetos com Ultralytics YOLOv8 no Google Colab, percorrendo 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 tudo 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 confirmar a configuração da GPU.

Em seguida, instale o pacote ultralytics, que inclui o YOLOv8 e suas dependências, usando pip. Depois, importe a classe YOLO de ultralytics para começar a criar seu modelo personalizado de detecção de objetos.

Rotulando e preparando seu conjunto de dados#

Agora, vamos preparar o conjunto de dados. Anote os dados com caixas delimitadoras, especificando as classes de cada objeto. Exporte o conjunto de dados no formato Ultralytics YOLO e importe-o para seu notebook do Google Colab.

Treinando seu modelo Ultralytics YOLOv8 personalizado#

Defina a tarefa como detect para detecção de objetos e escolha o tamanho do modelo YOLOv8 mais adequado às suas necessidades. Especifique o local do conjunto de dados, o número de épocas e o tamanho das imagens para o treinamento. A aceleração por GPU mantém o treinamento rápido enquanto o modelo aprende com os dados.

Avaliando e validando seu modelo#

Quando o treinamento terminar, avalie o desempenho do modelo com métricas como a precisão média (mAP). Valide o modelo com dados que ele não viu para garantir que generalize bem. Plote matrizes de confusão e analise as previsões para ajustar ainda mais o modelo.

Os modelos Ultralytics YOLOv8 podem ser validados com um único comando CLI, como yolo val model=path/to/best.pt, que reutiliza automaticamente as configurações do treinamento e informa várias métricas.

A Ultralytics também oferece suporte a argumentos CLI e Python que você pode usar durante a validação para adaptar a saída às suas necessidades. Para saber mais, consulte a documentação do modo de validação.

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

Levando seu modelo ao próximo nível#

Você treinou com sucesso seu modelo personalizado Ultralytics YOLOv8 no Google Colab. No próximo vídeo, veremos como exportar os pesos do modelo e executar inferência ao vivo usando o modelo YOLOv8 que treinamos.

Encerramento#

Obrigado por acompanhar nossa exploração da detecção de objetos personalizada com Ultralytics YOLOv8 no Google Colab. Fique de olho nos próximos tutoriais sobre IA e aprendizado de máquina.

Com este guia completo, você já tem o que precisa para treinar seus próprios modelos personalizados de detecção de objetos usando Ultralytics YOLOv8 no Google Colab. Assista ao tutorial completo e acompanhe cada etapa.