Полное руководство по обучению и запуску моделей YOLOv8 на пользовательских наборах данных

Обучение модели YOLOv8 на пользовательских данных можно выполнять с помощью Python, командной строки или Google Colab. Модель YOLOv8 от Ultralytics является ультрасовременной моделью, использующей сверточную нейронную сеть для прогнозирования классов объектов и их ограничивающих прямоугольников. Модель отличается гибкостью и может обучаться на различных платформах с использованием любых пользовательских данных. Для начала необходимо определить среду для обучения модели, которая может быть локальной или облачной. Локальное обучение предполагает выполнение процесса непосредственно в системе с использованием физического оборудования устройства, в то время как облачное обучение позволяет пользователям использовать преимущества аппаратного обеспечения облачных серверов. Необходимые для обучения модели YOLOv8 данные представляют собой набор изображений различных объектов вместе с ограничивающим прямоугольником вокруг объекта, указывающим его местоположение на изображении. Данные должны иметь определенную структуру с папками valid, train и test, а также с папками изображений и меток в каждой. Папка изображений содержит изображения объектов, а папка меток содержит данные о положении и размере ограничивающего прямоугольника на каждом изображении, а также тип объекта, представленного на каждом изображении. Чтобы получить совместимый с YOLOv8 набор данных, можно создать собственные данные с помощью таких инструментов, как CVAT, или использовать предварительно настроенный набор из Интернета. CVAT — это инструмент аннотации, позволяющий пользователям создавать собственные данные путем ручного добавления меток к изображениям и видео. После создания данных их можно экспортировать в формат YOLOv8. Процесс обучения различается в зависимости от того, проводится ли оно локально или в облаке. Для локального обучения необходимо создать папку проекта и переместить в нее набор данных. Необходимо настроить виртуальную среду Python с необходимыми зависимостями YOLOv8 и создать файл config.yaml, чтобы указать важные сведения о данных для обучения. Фактическое обучение можно выполнить с помощью API Python или CLI.