Подход к маркировке с помощью модели

YOLOv8 — это новейшее дополнение к семейству YOLO, которое устанавливает новые максимумы в тесте COCO. Разработанные теми же создателями YOLOv5, командой Ultralytics, они не только оптимизировали алгоритм обнаружения объектов, но и включили очень востребованную функцию: сегментацию экземпляров.‍

В этом руководстве мы покажем вам, как обучить детектор объектов YOLOv8 на пользовательском наборе данных с использованием платформы trainYOLO. В качестве примера мы будем разрабатывать детектор бревен деревьев, который можно использовать для ускорения подсчета бревен деревьев. Прежде чем начать, убедитесь, что у вас есть учетная запись trainYOLO. Если нет, вы можете создать бесплатную учетную запись здесь.

Создать новый проект

Мы начинаем с создания нового проекта, который будет содержать наши изображения и обученные модели, нажав на зеленый значок «плюс». Мы установим видимость проекта Общедоступный, имя обнаружение дерева, сохраним тип аннотации Ограничивающие рамки и установим одну категорию журнал дерева. Если у вас несколько категорий, вы можете добавить больше.

Загрузите свои изображения

Чтобы загрузить изображения в наш проект, перейдите на вкладку данных и нажмите на зеленый значок «плюс». Выберите изображения, которые вы хотите загрузить, и нажмите «Загрузить». В этом примере мы загрузим 57 изображений, содержащих бревна дерева в разных конфигурациях.

Назовите свои изображения

После того, как мы загрузили изображения, мы начинаем маркировать. Нажав на изображение, вы попадаете в редактор маркировки. Выбрав инструмент ограничивающей рамки в левом меню, мы можем нарисовать рамку вокруг каждого объекта, в нашем случае - каждого бревна дерева. Обратите внимание, что если у вас есть несколько категорий объектов, вам необходимо установить правильную категорию, используя раскрывающийся список вверху. После завершения вы можете использовать клавиши со стрелками вверху, чтобы перейти к следующему изображению, или выбрать конкретное изображение в карусели внизу.

Как только мы пометим около 20 изображений, мы начнем обучать первую версию YOLOv8. Таким образом, мы можем ускорить маркировку других изображений с помощью маркировки с помощью модели.

Модель поезда YOLOv8

После того, как вы пометили достаточно изображений, вы можете начать обучение своей модели YOLOv8. Хотя вы можете обучаться как локально, так и с помощью облачных провайдеров, таких как AWS или GCP, мы будем использовать наши предварительно настроенные блокноты Google Colab. Поэтому переходим на вкладку модели и выбираем блокнот YOLOv8, нажав на зеленый значок «плюс».

Это откроет нашу предварительно настроенную записную книжку для обнаружения объектов YOLOv8. Мы вводим наш ключ API (который вы получите, нажав на свой аватар рядом с вашим именем пользователя) и название нашего проекта. Для остальных параметров оставляем значения по умолчанию и запускаем тренировку, нажав «Время выполнения» => «Выполнить все». Это загрузит ваш набор данных, начнет обучение модели и загрузит обученную модель на нашу платформу.

После обучения вы можете увидеть первую версию, добавленную на вкладку модели.

Маркировка с помощью модели

Теперь мы можем использовать нашу первую обученную модель в качестве помощника по маркировке, используя так называемую маркировку с помощью модели. Каждый раз, когда вы добавляете новую версию в свой проект, эта последняя версия будет использоваться в качестве помощника по маркировке. Вместо того, чтобы маркировать изображение с нуля, теперь нам нужно только проверить или исправить предсказания модели. Это значительно ускоряет процесс маркировки.

Чтобы использовать помощника по маркировке, щелкните значок волшебной кисти в левом меню. Это загрузит предсказания модели. Затем измените или удалите ненужные ограничивающие рамки и пометьте те, которые не помечены.

Следующие шаги

После того, как вы пометили больше изображений, вы можете обучить больше версий и изменить гиперпараметры, такие как размер изображения, тип модели и т. д., чтобы оптимизировать свою модель. Получайте удовольствие от обучения моделей!

Первоначально опубликовано на https://www.trainyolo.com/blog 17 февраля 2023 г.