在 Google Colab 中使用 Ultralytics YOLOv8 训练自定义数据集

本文将介绍如何在 Google Colab 中使用 Ultralytics YOLOv8 训练自定义目标检测模型，并逐步讲解从环境设置到训练和评估的完整流程。

在 Google Colab 中设置 Ultralytics YOLOv8 模型#

我们先在 Google Colab 中设置环境。Google Colab 是什么？Google Colab 是 Google Colaboratory 的简称，是 Google 提供的免费云平台，可用于编写和运行 Python 代码。

首先，选择合适的运行时类型，确保你可以使用 GPU。然后运行 nvidia-smi 命令检查 GPU 配置，确认一切运行正常。

接下来，使用 pip 安装 ultralytics 软件包，其中包含 YOLOv8 及其依赖项。然后从 ultralytics 导入 YOLO 类，开始构建自定义目标检测模型。

标注并准备数据集#

现在，准备数据集。为数据标注边界框，并指定每个目标所属的类别。将数据集导出为 Ultralytics YOLO 格式，然后导入 Google Colab 笔记本。

训练你的自定义 Ultralytics YOLOv8 模型#

将任务设置为检测，并选择符合需求的 YOLOv8 模型尺寸。指定数据集位置、训练轮数和图像尺寸。GPU 加速可让训练保持快速，模型则会在训练过程中从数据中学习。

评估并验证模型#

训练完成后，使用平均精度均值（mAP）等指标评估模型性能。使用未见过的数据验证模型，确保模型具有良好的泛化能力。绘制混淆矩阵并分析预测结果，进一步微调模型。

使用一条 CLI 命令即可验证 Ultralytics YOLOv8 模型，例如 yolo val model=path/to/best.pt。该命令会自动沿用训练时的设置，并报告多项指标。

Ultralytics 还支持在验证期间使用 CLI 和 Python 参数，根据你的需求自定义输出。更多信息请参阅验证模式文档。

图 1. Nicolai Nielsen 介绍如何在 Google Colab 中使用 Ultralytics YOLOv8 训练自定义数据集。

让模型更上一层楼#

现在，你已成功在 Google Colab 中训练了自定义 Ultralytics YOLOv8 模型。在下一个视频中，我们将介绍如何使用自定义训练的 YOLOv8 模型导出模型权重并运行实时推理。

总结#

感谢你和我们一起探索如何在 Google Colab 中使用 Ultralytics YOLOv8 进行自定义目标检测。敬请期待更多关于 AI 和机器学习的教程。

通过这份全面指南，你现在已经掌握了在 Google Colab 中使用 Ultralytics YOLOv8 训练自定义目标检测模型的方法。请观看完整教程，跟着步骤一起操作。