Обучение пользовательских наборов данных с помощью Ultralytics YOLOv8 в Google Colab

В этом блоге мы рассмотрим, как освоить обнаружение пользовательских объектов с помощью Ultralytics YOLOv8 в Google Colab. Приготовьтесь раскрыть возможности YOLOv8, пока мы будем вести вас через весь процесс, от настройки до обучения и оценки.

Настройка модели YOLOv8 в Google Colab

Начнем с настройки нашей среды в Google Colab. Что такое Google Colab? Google Colab, сокращение от Google Colaboratory, — это бесплатная облачная платформа Google для написания и запуска кода Python. 

Первый шаг в настройке — убедиться, что у вас есть доступ к графическому процессору, выбрав соответствующий тип среды выполнения. Убедитесь, что все работает нормально, используя команду nvidia-smi для проверки настройки графического процессора.

Затем установите Ultralytics и зависимости YOLOv8, используя pip. Импортируйте модель YOLO из Ultralytics, чтобы начать наше собственное путешествие по обнаружению объектов.

Разметка и подготовка вашего набора данных

Теперь давайте подготовим наш набор данных. Разметьте свои данные с помощью ограничивающих рамок, указав классы для каждого объекта. Экспортируйте свой набор данных в формат YOLOv8 из Ultralytics и импортируйте его в свой блокнот Google Colab.

Обучение вашей пользовательской модели YOLOv8

Установите задачу на обнаружение объектов и выберите размер модели YOLOv8, который соответствует вашим потребностям. Укажите местоположение вашего набора данных, количество эпох и размер изображения для обучения. Наблюдайте, как ваша модель учится и адаптируется благодаря мощности YOLOv8 и ускорению GPU.

Оценка и проверка вашей модели

После завершения обучения оцените производительность вашей модели, используя такие метрики, как средняя ошибка положения. Проверьте свою модель на невидимых данных, чтобы убедиться в ее возможностях обобщения. Постройте матрицы ошибок и проанализируйте прогнозы для дальнейшей тонкой настройки вашей модели.

Модели Ultralytics YOLOv8 можно легко проверить с помощью одной команды CLI, которая имеет несколько ключевых функций, т.е. автоматическую настройку гиперпараметров, поддержку нескольких метрик и так далее. 

Ultralytics также поддерживает некоторые аргументы CLI и Python, которые пользователи могут использовать во время валидации для получения лучших результатов, исходя из своих потребностей. Для получения дополнительной информации вы можете ознакомиться с нашей документацией.

Вывод вашей модели на новый уровень

Теперь вы успешно обучили свою пользовательскую модель YOLOv8 в Google Colab. Но наше путешествие на этом не заканчивается. В нашем следующем видео мы рассмотрим, как экспортировать веса модели и запускать вывод в реальном времени с использованием нашей пользовательской обученной модели YOLOv8. Приготовьтесь к волнующему опыту, поскольку мы расширяем границы обнаружения объектов. Следите за обновлениями! 

В заключение

Благодарим вас за то, что присоединились к нам и познакомились с миром кастомного обнаружения объектов с помощью YOLOv8 в Google Colab. Следите за обновлениями и новыми обучающими материалами, поскольку мы продолжаем изучать безграничные возможности ИИ и машинного обучения. 

С помощью этого подробного руководства вы теперь можете обучать свои собственные модели обнаружения объектов с использованием Ultralytics YOLOv8 в Google Colab. Посмотрите полный учебник здесь!