Google Colab'da Ultralytics YOLOv8 ile özel veri kümelerini eğitme
Google Colab'da Ultralytics YOLOv8 ile özel veri kümelerini eğitmede ustalaş. Kurulumdan eğitim ve değerlendirmeye kadar bu kılavuzda her şey ele alınıyor.
Bu blog yazısında, Google Colab'da Ultralytics YOLOv8 kullanarak özel nesne algılamada nasıl ustalaşabileceğine bakacağız. Kurulumdan eğitime ve değerlendirmeye kadar tüm süreçte sana rehberlik ederken YOLOv8'in gücünü ortaya çıkarmaya hazır ol.
Google Colab'da Ultralytics YOLOv8 modelini kurma#
Google Colab'da ortamımızı kurarak başlayalım. Peki Google Colab nedir? Google Colaboratory'nin kısaltması olan Google Colab, Python kodu yazıp çalıştırman için Google tarafından sunulan 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.
Veri kümeni etiketleme ve hazırlama#
Şimdi veri kümemizi hazırlayalım. Verilerini sınırlayıcı kutular kullanarak etiketle ve her nesnenin sınıfını belirt. Veri kümeni Ultralytics'ten YOLOv8 biçiminde dışa aktar ve Google Colab not defterine içe aktar.
Özel Ultralytics YOLOv8 modelini eğitme#
Nesne algılama için görevi detect olarak ayarla ve ihtiyaçlarına uygun YOLOv8 model boyutunu seç. Veri kümenin konumunu, epoch sayısını ve eğitim için görüntü boyutunu belirt. YOLOv8'in gücü ve GPU hızlandırması sayesinde modelinin öğrenip uyum sağlamasını izle.
Modelini değerlendirme ve doğrulama#
Eğitim tamamlandığında, ortalama hata konumu gibi metrikleri kullanarak modelinin performansını değerlendir. Genelleme yeteneklerini güvence altına almak için modelini daha önce görülmemiş veriler üzerinde doğrula. Modelini daha da iyileştirmek için karmaşıklık matrislerini çiz ve tahminleri analiz et.
Ultralytics YOLOv8 modelleri, otomatik hiperparametre ayarlama, çoklu metrik desteği ve benzeri birçok temel özelliğe sahip tek bir CLI komutuyla kolayca doğrulanabilir.
Ultralytics, kullanıcıların ihtiyaçlarına göre daha iyi çıktı sonuçları elde etmek amacıyla doğrulama sırasında kullanabileceği bazı CLI ve Python bağımsız değişkenlerini de destekler. Daha fazla bilgi için belgelerimizi inceleyebilirsin.
Şekil 1. Nicolai Nielsen, Google Colab'da Ultralytics YOLOv8 ile özel veri kümelerinin nasıl eğitileceğini açıklıyor.
Modelini bir sonraki seviyeye taşıma#
Artık özel Ultralytics YOLOv8 modelini Google Colab'da başarıyla eğittin. Ancak yolculuğumuz burada sona ermiyor. Bir sonraki videomuzda model ağırlıklarını nasıl dışa aktaracağını ve özel olarak eğitilmiş YOLOv8 modelini kullanarak canlı çıkarım çalıştırmayı keşfedeceğiz. Nesne algılamanın sınırlarını zorlarken heyecan verici bir deneyime hazır ol. Bizi takipte kal!
Sonuç#
Google Colab'da Ultralytics YOLOv8 ile özel nesne algılama dünyasına göz atarken bize katıldığın için teşekkürler. Yapay zekâ ve makine öğreniminin sınırsız olanaklarını keşfetmeye devam ederken daha fazla heyecan verici güncelleme ve eğitici içerik için bizi takipte kal.
Bu kapsamlı rehberle artık Google Colab'da Ultralytics YOLOv8 kullanarak kendi özel nesne algılama modellerini eğitmek için gereken donanıma sahipsin. Eğitimin tamamını izle Tam eğitimi izle!
