Обучение на пользовательских наборах данных с помощью Ultralytics YOLOv8 в Google Colab
Освой обучение на пользовательских наборах данных с Ultralytics YOLOv8 в Google Colab. Это руководство охватывает всё: от настройки до обучения и оценки.
В этом блоге мы рассмотрим, как освоить кастомное обнаружение объектов с помощью Ultralytics YOLOv8 в Google Colab. Приготовься раскрыть всю мощь YOLOv8, пока мы проведем тебя через весь процесс: от настройки до обучения и оценки.
Настройка модели Ultralytics YOLOv8 в Google Colab#
Давай начнем с настройки нашего окружения в Google Colab. Что же такое Google Colab? Это бесплатная облачная платформа от Google (сокращение от Google Colaboratory) для написания и выполнения кода на Python.
Первый шаг к настройке — убедиться, что у тебя есть доступ к GPU, выбрав подходящий тип среды выполнения. Проверь, что всё работает корректно, используя команду nvidia-smi для подтверждения настроек GPU.
Затем установи Ultralytics и зависимости YOLOv8 с помощью pip. Импортируй модель YOLO из Ultralytics, чтобы начать свой путь в кастомном обнаружении объектов.
Маркировка и подготовка твоего набора данных#
Теперь давай подготовим наш dataset. Разметь свои данные с помощью bounding boxes, указав классы для каждого объекта. Экспортируй свой датасет в формат YOLOv8 от Ultralytics и импортируй его в свой блокнот Google Colab.
Обучение твоей кастомной модели Ultralytics YOLOv8#
Установи задачу detect для обнаружения объектов и выбери размер модели YOLOv8, который соответствует твоим требованиям. Укажи расположение датасета, количество эпох и размер изображения для обучения. Смотри, как твоя модель учится и адаптируется благодаря мощи YOLOv8 и ускорению GPU.
Оценка и валидация твоей модели#
После завершения обучения оцени производительность модели, используя такие метрики, как средняя ошибка положения. Проверь модель на новых данных, чтобы убедиться в ее способности к обобщению. Построй матрицы путаницы (confusion matrices) и проанализируй предсказания, чтобы дополнительно настроить свою модель.
Модели Ultralytics YOLOv8 легко валидируются одной командой CLI, которая обладает множеством ключевых функций, таких как автоматическая настройка гиперпараметров, поддержка нескольких метрик и т. д.
Ultralytics также поддерживает некоторые аргументы CLI и Python, которые пользователи могут применять во время валидации для получения лучших результатов в зависимости от своих задач. Дополнительную информацию ты можешь найти в нашей документации.
Рис. 1. Nicolai Nielsen объясняет, как обучать кастомные датасеты с помощью Ultralytics YOLOv8 в Google Colab.
Переход модели на новый уровень#
Ты успешно обучил свою собственную модель Ultralytics YOLOv8 в Google Colab. Но наше путешествие на этом не заканчивается. В следующем видео мы рассмотрим, как экспортировать веса модели и запустить инференс в реальном времени с помощью нашей обученной модели YOLOv8. Готовься к увлекательному опыту, ведь мы раздвигаем границы детектирования объектов. Следи за обновлениями!
Заключение#
Спасибо, что был с нами, когда мы изучали мир кастомного обнаружения объектов с помощью Ultralytics YOLOv8 в Google Colab. Следи за новыми интересными обновлениями и руководствами по мере того, как мы продолжаем исследовать безграничные возможности ИИ и машинного обучения.
С этим подробным руководством ты готов обучать собственные модели обнаружения объектов с помощью Ultralytics YOLOv8 в Google Colab. Посмотри полное руководство Watch the full tutorial!
