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 разберем, как освоить пользовательское обнаружение объектов с помощью Ultralytics YOLOv8 в Google Colab. Приготовься раскрыть мощь YOLOv8, пока мы проводим тебя через весь процесс: от настройки до обучения и оценки.
Link to this sectionНастройка модели 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.
Далее установи Ultralytics и зависимости YOLOv8 с помощью pip. Импортируй модель YOLO из Ultralytics, чтобы начать свое путешествие в пользовательское обнаружение объектов.
Link to this sectionМаркировка и подготовка твоего набора данных#
Теперь давай подготовим наш dataset. Разметь свои данные с помощью bounding boxes, указав классы для каждого объекта. Экспортируй набор данных в формат YOLOv8 от Ultralytics и импортируй его в свой ноутбук Google Colab.
Link to this sectionОбучение твоей пользовательской модели YOLOv8#
Set the task to detect for object detection and choose the YOLOv8 model size that suits your needs. Specify the location of your dataset, the number of epochs, and image size for training. Watch as your model learns and adapts, thanks to the power of YOLOv8 and GPU acceleration.
Link to this sectionОценка 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 ты можешь использовать во время валидации для получения лучших результатов в зависимости от твоих нужд. Для получения дополнительной информации можешь изучить наши docs.
Рис 1. Nicolai Nielsen показывает, как обучать пользовательские наборы данных с помощью Ultralytics YOLOv8 в Google Colab.
Link to this sectionПереход модели на новый уровень#
Теперь ты успешно обучил свою пользовательскую модель YOLOv8 в Google Colab. Но наше путешествие на этом не заканчивается. В следующем видео мы разберем, как экспортировать веса модели и запускать инференс в реальном времени с использованием твоей обученной модели YOLOv8. Приготовься к захватывающему опыту, пока мы расширяем границы обнаружения объектов. Оставайся с нами!
Link to this sectionЗаключение#
Спасибо, что присоединился к нам в изучении мира пользовательского обнаружения объектов с YOLOv8 в Google Colab. Следи за новыми интересными обновлениями и руководствами, пока мы продолжаем исследовать безграничные возможности ИИ и машинного обучения.
С этим подробным руководством ты теперь готов обучать свои собственные модели обнаружения объектов с помощью Ultralytics YOLOv8 в Google Colab. Посмотри полное руководство Watch the full tutorial!
