Обучение пользовательских датасетов с Ultralytics YOLOv8 в Google Colab
Освой обучение пользовательских датасетов с Ultralytics YOLOv8 в Google Colab. Это руководство охватывает всё: от настройки до обучения и оценки.
В этом блоге мы разберём, как освоить обнаружение пользовательских объектов с помощью Ultralytics YOLOv8 в Google Colab. Приготовься раскрыть возможности YOLOv8, а мы проведём тебя через весь процесс — от настройки до обучения и оценки.
Настройка модели Ultralytics YOLOv8 в Google Colab#
Начнём с настройки окружения в Google Colab. Что же такое Google Colab? Google Colab, сокращённо от Google Colaboratory, — это бесплатная облачная платформа Google для написания и запуска кода на Python.
Первый шаг — убедиться, что у тебя есть доступ к GPU, выбрав подходящий тип среды выполнения. Проверь, что всё работает корректно, с помощью команды nvidia-smi, чтобы убедиться в правильности настройки GPU.
Затем установи Ultralytics и зависимости YOLOv8 с помощью pip. Импортируй модель YOLO из Ultralytics, чтобы начать работу над обнаружением пользовательских объектов.
Разметка и подготовка датасета#
Теперь подготовим наш датасет. Разметь данные с помощью ограничивающих рамок, указав классы для каждого объекта. Экспортируй датасет из Ultralytics в формате YOLOv8 и импортируй его в ноутбук Google Colab.
Обучение пользовательской модели Ultralytics YOLOv8#
Установи задачу detect для обнаружения объектов и выбери подходящий размер модели YOLOv8. Укажи расположение датасета, количество эпох и размер изображений для обучения. Наблюдай, как твоя модель обучается и адаптируется благодаря возможностям YOLOv8 и ускорению на GPU.
Оценка и валидация модели#
После завершения обучения оцени производительность модели с помощью таких метрик, как средняя ошибка положения. Проверь модель на ранее неиспользовавшихся данных, чтобы убедиться в её способности к обобщению. Построй матрицы ошибок и проанализируй предсказания, чтобы дополнительно настроить модель.
Модели Ultralytics YOLOv8 можно легко валидировать с помощью одной команды CLI, которая поддерживает несколько ключевых функций, включая автоматическую настройку гиперпараметров, поддержку нескольких метрик и многое другое.
Ultralytics также поддерживает некоторые аргументы CLI и Python, которые можно использовать во время валидации для получения лучших результатов в соответствии с твоими потребностями. Подробнее можно узнать в нашей документации.
Рис. 1. Nicolai Nielsen рассказывает, как обучать пользовательские датасеты с Ultralytics YOLOv8 в Google Colab.
Вывод модели на новый уровень#
Теперь ты успешно обучил пользовательскую модель Ultralytics YOLOv8 в Google Colab. Но на этом наше путешествие не заканчивается. В следующем видео мы рассмотрим, как экспортировать веса модели и выполнять инференс в реальном времени с помощью нашей пользовательской модели YOLOv8. Приготовься к захватывающему опыту, пока мы расширяем возможности обнаружения объектов. Следи за обновлениями!
Подводя итоги#
Спасибо, что присоединился к нам, когда мы исследовали мир обнаружения пользовательских объектов с Ultralytics YOLOv8 в Google Colab. Следи за новыми интересными обновлениями и учебными материалами, пока мы продолжаем исследовать безграничные возможности ИИ и машинного обучения.
С этим подробным руководством ты теперь готов обучать собственные модели обнаружения пользовательских объектов с помощью Ultralytics YOLOv8 в Google Colab. Посмотри полный учебник Посмотри полный учебник!
