Google Colab'de Ultralytics YOLOv8 ile özel veri kümelerini eğitme
Google Colab'de Ultralytics YOLOv8 ile özel veri kümelerini eğitmeyi ustalıkla öğren. Kurulumdan eğitime ve değerlendirmeye kadar bu rehber her şeyi kapsıyor.
Bu blog yazısında, Google Colab'de Ultralytics YOLOv8 kullanarak özel nesne algılamada nasıl ustalaşabileceğine bakacağız. Kurulumdan eğitim ve değerlendirmeye kadar tüm süreç boyunca sana rehberlik ederken YOLOv8 gücünü açığa çıkarmaya hazır ol.
Link to this sectionGoogle Colab'de YOLOv8 modelini kurma#
Google Colab'deki ortamımızı kurarak başlayalım. Peki Google Colab nedir? Google Colaboratory'nin kısaltması olan Google Colab, Google tarafından sunulan, Python kodu yazmak ve çalıştırmak için kullanılan ücretsiz bir bulut platformudur.
Bunu kurmanın ilk adımı, uygun çalışma zamanı türünü seçerek bir GPU'ya erişimin olduğundan emin olmaktır. GPU kurulumunu doğrulamak için nvidia-smi komutunu kullanarak her şeyin sorunsuz çalıştığını kontrol et.
Ardından, pip kullanarak Ultralytics ve YOLOv8 bağımlılıklarını yükle. Özel nesne algılama yolculuğumuza başlamak için YOLO modelini Ultralytics'ten içe aktar.
Link to this sectionVeri kümeni etiketleme ve hazırlama#
Şimdi dataset kısmımızı hazırlayalım. Verilerini, her nesne için sınıfları belirterek bounding boxes ile etiketle. Veri kümeni Ultralytics'ten YOLOv8 formatına aktar ve Google Colab not defterine içe aktar.
Link to this sectionÖzel YOLOv8 modelini eğitme#
Nesne algılama için görevi detect olarak ayarla ve ihtiyaçlarına uygun YOLOv8 model boyutunu seç. Veri kümenin konumunu, dönem sayısını ve eğitim için görüntü boyutunu belirt. YOLOv8 ve GPU hızlandırmanın gücü sayesinde modelinin öğrenmesini ve uyum sağlamasını izle.
Link to this sectionModelini değerlendirme ve doğrulama#
Eğitim tamamlandığında, modelinin performansını ortalama hata konumu gibi metriklerle değerlendir. Genelleme yeteneklerinden emin olmak için modelini görülmemiş veriler üzerinde doğrula. Modelini daha fazla ince ayar yapmak için karmaşıklık matrislerini çiz ve tahminleri analiz et.
Ultralytics YOLOv8 modelleri, otomatik hiperparametre ayarı, çoklu metrik desteği gibi birçok temel özelliğe sahip tek bir CLI komutuyla kolayca doğrulanabilir.
Ultralytics ayrıca, kullanıcıların ihtiyaçlarına göre daha iyi çıktı sonuçları elde etmek için doğrulama sırasında kullanabilecekleri bazı CLI ve Python bağımsız değişkenlerini destekler. Daha fazla bilgi için docs bölümümüzü keşfedebilirsin.
Şekil 1. Nicolai Nielsen, Google Colab'de Ultralytics YOLOv8 ile özel veri kümelerinin nasıl eğitileceğini özetliyor.
Link to this sectionModelini bir üst seviyeye taşıma#
Artık özel YOLOv8 modelini Google Colab'de başarıyla eğittin. Ancak yolculuğumuz burada bitmiyor. Bir sonraki videomuzda, model ağırlıklarını nasıl dışa aktaracağımızı ve özel olarak eğitilmiş YOLOv8 modelimizi kullanarak canlı çıkarımı nasıl çalıştıracağımızı keşfedeceğiz. Nesne algılamanın sınırlarını zorlarken heyecan verici bir deneyime hazır ol. Takipte kal!
Link to this sectionToparlarken#
Google Colab'de YOLOv8 ile özel nesne algılama dünyasını incelerken bize katıldığın için teşekkürler. Yapay zeka ve makine öğreniminin sınırsız olanaklarını keşfetmeye devam ederken daha fazla heyecan verici güncelleme ve eğitim için takipte kal.
Bu kapsamlı rehberle artık Google Colab üzerinde Ultralytics YOLOv8 kullanarak kendi özel nesne algılama modellerini eğitmek için hazırsın. Eğitimin tamamını izle Watch the full tutorial!
