Huấn luyện các bộ dữ liệu tùy chỉnh với Ultralytics YOLOv8 trong Google Colab

Trong bài viết này, chúng ta sẽ tìm hiểu cách làm chủ việc phát hiện đối tượng tùy chỉnh sử dụng Ultralytics YOLOv8 trong Google Colab. Hãy sẵn sàng khai thác sức mạnh của YOLOv8 khi chúng tôi hướng dẫn bạn toàn bộ quy trình, từ thiết lập đến huấn luyện và đánh giá.

Thiết lập model Ultralytics YOLOv8 trong Google Colab#

Hãy bắt đầu bằng việc thiết lập môi trường trong Google Colab. Vậy Google Colab là gì? Viết tắt của Google Colaboratory, Google Colab là một nền tảng đám mây miễn phí của Google dành cho việc viết và chạy mã Python.

Bước đầu tiên để thiết lập là đảm bảo bạn có quyền truy cập vào GPU bằng cách chọn loại runtime phù hợp. Kiểm tra xem mọi thứ có đang chạy trơn tru hay không bằng cách sử dụng lệnh nvidia-smi để xác minh thiết lập GPU của bạn.

Tiếp theo, cài đặt Ultralytics và các phụ thuộc của YOLOv8 bằng pip. Nhập model YOLO từ Ultralytics để bắt đầu hành trình phát hiện đối tượng tùy chỉnh của chúng ta.

Gán nhãn và chuẩn bị bộ dữ liệu của bạn#

Bây giờ, hãy chuẩn bị dataset. Gắn nhãn dữ liệu của bạn bằng bounding boxes, chỉ định các lớp cho từng đối tượng. Xuất dataset của bạn sang định dạng YOLOv8 từ Ultralytics và nhập nó vào notebook Google Colab của bạn.

Huấn luyện model Ultralytics YOLOv8 tùy chỉnh của bạn#

Đặt tác vụ thành detect để phát hiện đối tượng và chọn kích thước model YOLOv8 phù hợp với nhu cầu của bạn. Chỉ định vị trí của dataset, số lượng epoch và kích thước hình ảnh để huấn luyện. Xem model của bạn học tập và thích ứng nhờ sức mạnh của YOLOv8 và khả năng tăng tốc GPU.

Đánh giá và xác thực model của bạn#

Sau khi quá trình huấn luyện hoàn tất, hãy đánh giá hiệu suất model của bạn bằng các chỉ số như vị trí lỗi trung bình. Xác thực model trên dữ liệu chưa từng thấy để đảm bảo khả năng tổng quát hóa của nó. Vẽ ma trận nhầm lẫn và phân tích các dự đoán để tinh chỉnh model của bạn hơn nữa.

Các model Ultralytics YOLOv8 có thể được xác thực dễ dàng chỉ bằng một lệnh CLI, sở hữu nhiều tính năng chính như cài đặt siêu tham số tự động, hỗ trợ đa chỉ số, v.v.

Ultralytics cũng hỗ trợ một số đối số CLI và Python mà người dùng có thể sử dụng trong quá trình validation để có kết quả đầu ra tốt hơn dựa trên nhu cầu của họ. Để biết thêm thông tin, bạn có thể khám phá docs của chúng tôi.

Hình 1. Nicolai Nielsen phác thảo cách huấn luyện các dataset tùy chỉnh với Ultralytics YOLOv8 trong Google Colab.

Nâng cấp model của bạn lên một tầm cao mới#

Bạn đã huấn luyện thành công mô hình YOLOv8 tùy chỉnh của mình với Ultralytics trong Google Colab. Nhưng hành trình của chúng ta chưa dừng lại ở đó. Trong video tiếp theo, chúng ta sẽ khám phá cách xuất trọng số mô hình và chạy suy luận trực tiếp bằng mô hình YOLOv8 được huấn luyện tùy chỉnh của mình. Hãy sẵn sàng cho một trải nghiệm đầy hứng khởi khi chúng ta vượt qua các giới hạn của phát hiện đối tượng. Hãy đón xem!

Tóm tắt#

Cảm ơn bạn đã đồng hành cùng chúng tôi khi tìm hiểu về thế giới phát hiện đối tượng tùy chỉnh với Ultralytics YOLOv8 trong Google Colab. Hãy theo dõi để cập nhật thêm nhiều thông tin và hướng dẫn thú vị khi chúng tôi tiếp tục khám phá các khả năng vô tận của AI và machine learning.

Với hướng dẫn toàn diện này, giờ đây bạn đã được trang bị để huấn luyện các model phát hiện đối tượng tùy chỉnh của riêng mình bằng cách sử dụng Ultralytics YOLOv8 trong Google Colab. Xem hướng dẫn đầy đủ Watch the full tutorial!