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. Prepara-te para libertar o poder do YOLOv8 à medida que te guiamo por todo o processo, desde a configuração até ao treino e 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 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, instala as dependências do Ultralytics e do YOLOv8 usando o pip. Importa o modelo YOLO do Ultralytics para começares a tua jornada de detecção de objetos personalizados.

Rotulando e preparando seu dataset#

Agora, vamos preparar o nosso dataset. Rotula os teus dados com bounding boxes, especificando as classes para cada objeto. Exporta o teu dataset para o formato YOLOv8 do Ultralytics e importa-o para o teu notebook do Google Colab.

Treinando o teu modelo personalizado Ultralytics YOLOv8#

Define a tarefa como detect para detecção de objetos e escolhe o tamanho de model do YOLOv8 que melhor se adapta às tuas necessidades. Especifica a localização do teu dataset, o número de épocas e o tamanho da imagem para o treino. Vê o teu modelo a aprender e a adaptar-se, graças ao poder do YOLOv8 e à aceleração por GPU.

Avaliando 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 utilizadores podem usar durante a validação para obter melhores resultados com base nas suas necessidades. Para mais informações, podes explorar a nossa docs.

Fig 1. Nicolai Nielsen a explicar como treinar datasets personalizados com o Ultralytics YOLOv8 no Google Colab.

Levando seu modelo para o próximo nível#

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

Conclusão#

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

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