YOLOv8: Как обучиться обнаружению объектов в пользовательском наборе данных

• Вышла последняя версия алгоритма YOLO V8.  

• Новый подход к обнаружению объектов в реальном времени.  

• Внутренние измерения показывают, что модель настраивается быстрее, чем предыдущие версии.  

• Видео посвящено обучению модели YOLO V8 на пользовательском наборе данных.  

• Будут показаны процессы обучения, проверки, прогнозирования и развертывания модели.  

• Используется набор данных по обнаружению футболистов из Roboflow Universe.  

• Новый API и использование CLI и SDK.  

• YOLO V8 создан командой Ultralytics, известной по YOLO V3 и YOLO V5.  

• Проблемы с нехваткой бумаги и отсутствием пакета pip будут решены в YOLO V8.  

• Библиотека YOLO V8 может быть недоработана, ожидаются изменения в API.  

• Материалы для серии видеороликов будут обновлены после внесения изменений.  

• Подтверждение доступа к графическому процессору и создание вспомогательной переменной.  

• Установка YOLO V8 через pip или клонирование репозитория.  

• Импорт YOLO из Ultralytics и проверка установки.  

• Использование CLI и SDK для взаимодействия с кодовой базой YOLO.  

• CLI позволяет запускать команды из командной строки.  

• SDK предоставляет питонический способ использования YOLO.  

• Пример использования CLI для прогнозирования на изображении.  

• YOLO V8 поддерживает формат данных YOLO V5.  

• Создание набора данных с помощью Roboflow.  

• Процесс аннотирования изображений и создание первой версии набора данных.  

• Нажимаем "Продолжить" и "сгенерировать" для создания набора данных.  

• Загружаем набор данных в среду и используем функцию для генерации кода.  

• Вставляем код в блокнот и загружаем набор данных в формате YOLO v8.  

• Ограничиваем количество эпох до 25 для ускорения процесса.  

• Тренировка занимает около часа.  

• Анализируем графики и показатели путаницы.  

• Модель правильно классифицирует 74% вратарей и 26% мячей.  

• Удовлетворены результатами, учитывая короткое время тренировки.  

• Используем CLI для проверки модели на тестовом наборе данных.  

• Проверяем результаты и видим, что модель работает хорошо.  

• Применяем модель для вывода на изображениях и видео.  

• Загружаем видео и запускаем логический вывод.  

• Модель обучалась всего 30 минут и может выводить 80 кадров в секунду.  

• Разворачиваем модель через API с помощью одной строки кода.  

• Загружаем веса на сервер и используем модель для вывода через API.  

• Возможность вывода через браузер или API из кодовой базы.  

• Видео - первая часть серии о YOLO v8.  

• Планируется выпуск видео о сегментации, классификации и сравнении с предыдущими моделями.  

• Подписывайтесь на канал для получения уведомлений о новых видео.