Обучение на пользовательских наборах данных с Ultralytics YOLOv8 в Google Colab

В этой статье мы разберём, как обучить собственную модель обнаружения объектов с помощью Ultralytics YOLOv8 в Google Colab, и пройдём весь процесс — от настройки среды до обучения и оценки модели.

Настройка модели Ultralytics YOLOv8 в Google Colab#

Для начала настроим среду в Google Colab. Что такое Google Colab? Google Colab — сокращённое название Google Colaboratory, бесплатной облачной платформы Google для написания и запуска кода Python.

Чтобы начать работу, сначала убедись, что у тебя есть доступ к GPU: выбери подходящий тип среды выполнения. Проверь, что всё работает как надо, выполнив команду nvidia-smi, которая проверит настройку GPU.

Затем установи пакет ultralytics, в который входят YOLOv8 и необходимые зависимости, с помощью pip. После этого импортируй класс YOLO из ultralytics, чтобы приступить к созданию собственной модели обнаружения объектов.

Разметка и подготовка набора данных#

Теперь подготовим набор данных. Разметь данные ограничивающими рамками и укажи классы для каждого объекта. Экспортируй набор данных в формате Ultralytics YOLO и импортируй его в блокнот Google Colab.

Обучение собственной модели Ultralytics YOLOv8#

Для обнаружения объектов выбери задачу detect, а затем подходящий тебе размер модели YOLOv8. Укажи расположение набора данных, количество эпох и размер изображений для обучения. Ускорение на GPU помогает поддерживать высокую скорость обучения модели на данных.

Оценка и проверка модели#

После завершения обучения оцени производительность модели с помощью таких метрик, как средняя точность (mAP). Проверь модель на данных, которые она не видела, чтобы убедиться в её способности к обобщению. Построй матрицы ошибок и проанализируй предсказания, чтобы дополнительно настроить модель.

Модели Ultralytics YOLOv8 можно валидировать одной командой CLI, например yolo val model=path/to/best.pt: она автоматически использует настройки обучения и выводит несколько метрик.

Для настройки результатов валидации Ultralytics также поддерживает аргументы CLI и Python. Подробнее см. в документации по режиму валидации.

Рис. 1. Nicolai Nielsen рассказывает, как обучать модели на собственных наборах данных с Ultralytics YOLOv8 в Google Colab.

Вывод модели на новый уровень#

Ты успешно обучил собственную модель Ultralytics YOLOv8 в Google Colab. В следующем видео мы покажем, как экспортировать веса модели и запускать инференс в реальном времени с помощью обученной нами модели YOLOv8.

Подводя итоги#

Спасибо, что присоединился к нам и узнал о создании собственной модели обнаружения объектов с Ultralytics YOLOv8 в Google Colab. Следи за новыми руководствами по ИИ и машинному обучению.

Это подробное руководство поможет тебе обучить собственные модели обнаружения объектов с помощью Ultralytics YOLOv8 в Google Colab. Посмотри полное руководство и повторяй все шаги.