11 апреля 2024 г.
Освойте обучение пользовательских наборов данных с помощью Ultralytics YOLOv8 в Google Colab. От настройки до обучения и оценки - все в этом руководстве.
В этом блоге мы рассмотрим, как освоить пользовательское обнаружение объектов с помощью Ultralytics YOLOv8 в Google Colab. Приготовьтесь раскрыть всю мощь YOLOv8 мы проведем вас через весь процесс - от настройки до обучения и оценки.
Давайте начнем с настройки среды в Google Colab. Что же такое Google Colab? Сокращенно от Google Colaboratory, Google Colab - это бесплатная облачная платформа от Google для написания и выполнения кода Python .
Для начала необходимо убедиться, что у вас есть доступ к GPU , выбрав соответствующий тип времени выполнения. Проверьте, все ли работает гладко, с помощью команды nvidia, чтобы проверить настройку GPU .
Далее установите Ultralytics и зависимости YOLOv8 с помощью pip. Импортируйте модель YOLO из Ultralytics , чтобы начать наш путь по обнаружению объектов.
Теперь давайте подготовим наш набор данных. Пометьте данные ограничительными рамками, указав классы для каждого объекта. Экспортируйте набор данных в формат YOLOv8 из Ultralytics и импортируйте его в блокнот Google Colab.
Установите задачу detect для обнаружения объектов и выберите YOLOv8 размер модели, который соответствует вашим потребностям. Укажите местоположение набора данных, количество эпох и размер изображения для обучения. Наблюдайте, как ваша модель обучается и адаптируется благодаря возможностям YOLOv8 и GPU .
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 могут быть легко проверены с помощью одной команды CLI , которая имеет множество ключевых функций, таких как автоматическая настройка гиперпараметров, поддержка нескольких метрик и так далее.
Ultralytics также поддерживает некоторые аргументы CLI и Python , которые пользователи могут использовать во время проверки для получения более точных результатов в соответствии с их потребностями. Для получения дополнительной информации вы можете изучить нашу документацию.
Теперь вы успешно обучили свою пользовательскую модель YOLOv8 в Google Colab. Но на этом наше путешествие не заканчивается. В следующем видео мы узнаем, как экспортировать веса модели и проводить живые вычисления с помощью нашей модели YOLOv8 , обученной на заказ. Приготовьтесь к захватывающему опыту, поскольку мы расширяем границы обнаружения объектов. Следите за новостями!
Спасибо, что присоединились к нам, когда мы рассматривали мир пользовательского обнаружения объектов с помощью YOLOv8 в Google Colab. Следите за обновлениями и обучающими материалами, чтобы продолжить исследовать безграничные возможности искусственного интеллекта и машинного обучения.
С помощью этого исчерпывающего руководства вы сможете обучить свои собственные модели обнаружения объектов с помощью Ultralytics YOLOv8 в Google Colab. Смотрите полное руководство здесь!
