كيفية تدريب YOLOv8 على البيانات المخصصة -

القراء مثلك يساعدون في دعم MUO. عند إجراء عملية شراء باستخدام الروابط الموجودة على موقعنا ، فقد نربح عمولة تابعة. اقرأ أكثر.

YOLOv8 عبارة عن خوارزمية للكشف عن الكائنات في الوقت الفعلي تُستخدم على نطاق واسع في مجال اكتشاف الكائنات. إنه جزء من سلسلة You Only Look Once (YOLO) التي طورتها Ultralytics. الخوارزمية تتعقب وتكتشف وتقطع مثيلات وتقديرات وتصنف الكائنات في الصور ومقاطع الفيديو. تهدف إلى أن تكون أسرع وأكثر دقة من الخوارزميات السابقة.

اجعل فيديو اليوم قم بالتمرير للمتابعة مع المحتوى

غالبًا ما يكون استخدام YOLOv8 في مجموعات البيانات التجريبية مثل CIFAR-10 و CIFAR-100 أسهل لمشاريع إثبات المفهوم (POC) مقارنة بمجموعات البيانات الواقعية التي تتطلب مجموعات بيانات مخصصة.

كيف تنظر إلى الرسائل القديمة على iPhone

سيرشدك هذا البرنامج التعليمي خلال الخطوات المتضمنة في تدريب YOLOv8 على البيانات المخصصة.

إعداد بيئة بايثون

ابدأ بتثبيت بيئة التطوير للمشروع ، باتباع الإرشادات أدناه.

انتقل إلى المحطة وأنشئ دليلًا جديدًا باسم yolov8project :
```
 mkdir yolov8project 
```
انتقل إلى دليل المشروع و خلق بيئة افتراضية :
```
 cd yolov8project 
python -m venv env 
```
ثم قم بتنشيط البيئة الافتراضية. لتشغيل التعليمات البرمجية الخاصة بك ، تحتاج إلى تثبيت Ultralytics ، مكتبة لاكتشاف الكائنات وتجزئة الصور. إنها أيضًا تبعية YOLOv8. قم بتثبيته باستخدام النقطة عن طريق تشغيل الأمر أدناه.
يقوم هذا الأمر بتثبيت نموذج YOLOv8 المدرب مسبقًا ، yolov8n.pt . اختبر النموذج عن طريق تشغيل الأوامر أدناه للقيام بالكشف باستخدام الأوزان المدربة مسبقًا على الصورة أو الفيديو الذي اخترته على التوالي باستخدام YOLOv8.
```
 #image detection 
yolo task=detect mode=predict model=yolov8n.pt source="path/to/image.png"  
 
#video detection 
yolo task=detect mode=predict model=yolov8n.pt source="path/to/video.mp4" 
```
إذا كان كل شيء يعمل بشكل مثالي ، فستكون النتائج متاحة في yolov8project الدليل في يعمل / كشف / إكسب دليل فرعي.

تحضير مجموعة البيانات المخصصة الخاصة بك

تتضمن خطوات إعداد مجموعة البيانات المخصصة الخاصة بك جمع البيانات ، وتسمية البيانات ، وتقسيم البيانات (التدريب ، والاختبار ، والتحقق من الصحة).

جمع البيانات

هذه هي عملية تجميع مجموعة من الصور التي تحتوي على الأشياء التي تريد اكتشافها. تأكد من استخدام صور عالية الجودة ، في بؤرة التركيز ، وأن تكون الأشياء مرئية بوضوح. يمكنك استخدام مجموعة متنوعة من الأدوات لجمع الصور ، مثل Flickr أو الكاميرا الخاصة بك. إذا لم يكن لديك مجموعة بيانات للصور ، فاستخدم مجموعة البيانات من الصور المفتوحة قاعدة البيانات. ستستخدم هذه المقالة صورة السلامة في موقع البناء مجموعة البيانات من Kaggle .

وسم البيانات

بعد جمع صورك ، تحتاج إلى تصنيفها. هذا يعني تحديد الكائنات في كل صورة والمربعات المحيطة بها. هناك العديد من الأدوات المتاحة لمساعدتك في تصنيف بياناتك ، مثل LabelImg و CVAT و روبوفلو . هذه الأدوات كلها مجانية للاستخدام.

كيفية إزالة مساحة التخزين الأخرى على iphone

تقسيم البيانات

لتدريب نماذج التعلم الآلي ، عليك تقسيم بياناتك إلى مجموعات تدريب واختبار. حاول استخدام نسبة تقسيم 70٪ -30٪ عند استخدام كميات كبيرة من البيانات. خلافًا لذلك ، التزم بنسبة 80٪ -20٪ لتجنب زيادة ملاءمة النموذج أو عدم ملاءمته.

يستخدم تقسيم المجلدات ، لتقسيم بياناتك عشوائيًا إلى مجموعات القطار والاختبار والتحقق من الصحة بنسبة التقسيم التي تريدها.

كيفية تنزيل الموسيقى من ipod إلى itunes

تكوين YOLOv8 لمجموعة البيانات الخاصة بك

بعد تسمية بياناتك ، تابع تكوين YOLOv8 لمجموعة البيانات المخصصة الخاصة بك. يتضمن ذلك إنشاء ملف تكوين يحدد ما يلي:

المسار إلى بيانات التدريب الخاصة بك.
المسار إلى بيانات التحقق الخاصة بك.
عدد الفئات التي تريد الكشف عنها.

قم بإنشاء ملف config.yaml لتخزين التكوين:

 path: (dataset directory path)  
train: (train dataset folder path)  
test: (test dataset folder path)  
valid: (validation dataset folder path)  
 
# Classes  
nc: 5 # replace based on your dataset's number of classes  
 
# Class names  
# replace all class names with your own classes' names  
names: ['class1', 'class2', 'class3', 'class4', 'class5']

يعد إنشاء ملف التكوين طريقة مفيدة لهيكلة وتخزين المعلمات الحاسمة لنموذج رؤية الكمبيوتر الخاص بك. تأكد من تحديث ملف config.yaml وفقًا لطبيعة مجموعة البيانات وبنيتها.