mirror of
https://github.com/THU-MIG/yolov10.git
synced 2025-05-23 21:44:22 +08:00
02bf8003a8
Signed-off-by: Glenn Jocher <glenn.jocher@ultralytics.com> Co-authored-by: pre-commit-ci[bot] <66853113+pre-commit-ci[bot]@users.noreply.github.com>
207 lines
10 KiB
Markdown
207 lines
10 KiB
Markdown
---
|
||
comments: true
|
||
description: Guia passo a passo para treinar modelos YOLOv8 com a YOLO da Ultralytics, incluindo exemplos de treinamento com uma única GPU e múltiplas GPUs
|
||
keywords: Ultralytics, YOLOv8, YOLO, detecção de objetos, modo de treino, conjunto de dados personalizado, treinamento com GPU, multi-GPU, hiperparâmetros, exemplos de CLI, exemplos em Python
|
||
---
|
||
|
||
# Treinamento de Modelos com a YOLO da Ultralytics
|
||
|
||
<img width="1024" src="https://github.com/ultralytics/assets/raw/main/yolov8/banner-integrations.png" alt="Ecossistema e integrações da YOLO da Ultralytics">
|
||
|
||
## Introdução
|
||
|
||
O treinamento de um modelo de aprendizado profundo envolve fornecer dados e ajustar seus parâmetros para que ele possa fazer previsões precisas. O modo de treino na YOLOv8 da Ultralytics é projetado para um treinamento eficaz e eficiente de modelos de detecção de objetos, aproveitando totalmente as capacidades do hardware moderno. Este guia visa cobrir todos os detalhes que você precisa para começar a treinar seus próprios modelos usando o robusto conjunto de recursos da YOLOv8.
|
||
|
||
<p align="center">
|
||
<br>
|
||
<iframe width="720" height="405" src="https://www.youtube.com/embed/LNwODJXcvt4?si=7n1UvGRLSd9p5wKs"
|
||
title="Reprodutor de vídeo do YouTube" frameborder="0"
|
||
allow="accelerometer; autoplay; clipboard-write; encrypted-media; gyroscope; picture-in-picture; web-share"
|
||
allowfullscreen>
|
||
</iframe>
|
||
<br>
|
||
<strong>Assista:</strong> Como Treinar um modelo YOLOv8 no Seu Conjunto de Dados Personalizado no Google Colab.
|
||
</p>
|
||
|
||
## Por Que Escolher a YOLO da Ultralytics para Treinamento?
|
||
|
||
Aqui estão algumas razões convincentes para optar pelo modo de Treino da YOLOv8:
|
||
|
||
- **Eficiência:** Aproveite ao máximo seu hardware, seja em um setup com uma única GPU ou expandindo para múltiplas GPUs.
|
||
- **Versatilidade:** Treine em conjuntos de dados personalizados, além dos já disponíveis, como COCO, VOC e ImageNet.
|
||
- **Facilidade de Uso:** Interfaces de linha de comando (CLI) e em Python simples, porém poderosas, para uma experiência de treinamento direta.
|
||
- **Flexibilidade de Hiperparâmetros:** Uma ampla gama de hiperparâmetros personalizáveis para ajustar o desempenho do modelo.
|
||
|
||
### Principais Recursos do Modo de Treino
|
||
|
||
Os seguintes são alguns recursos notáveis do modo de Treino da YOLOv8:
|
||
|
||
- **Download Automático de Datasets:** Datasets padrões como COCO, VOC e ImageNet são baixados automaticamente na primeira utilização.
|
||
- **Suporte a Multi-GPU:** Escalone seus esforços de treinamento de maneira uniforme entre várias GPUs para acelerar o processo.
|
||
- **Configuração de Hiperparâmetros:** Opção de modificar hiperparâmetros através de arquivos de configuração YAML ou argumentos de CLI.
|
||
- **Visualização e Monitoramento:** Acompanhamento em tempo real das métricas de treinamento e visualização do processo de aprendizagem para obter melhores insights.
|
||
|
||
!!! Tip "Dica"
|
||
|
||
* Conjuntos de dados YOLOv8 como COCO, VOC, ImageNet e muitos outros são baixados automaticamente na primeira utilização, ou seja, `yolo train data=coco.yaml`
|
||
|
||
## Exemplos de Uso
|
||
|
||
Treine o YOLOv8n no conjunto de dados COCO128 por 100 épocas com tamanho de imagem de 640. O dispositivo de treinamento pode ser especificado usando o argumento `device`. Se nenhum argumento for passado, a GPU `device=0` será usado se disponível, caso contrário, `device=cpu` será usado. Veja a seção Argumentos abaixo para uma lista completa dos argumentos de treinamento.
|
||
|
||
!!! Example "Exemplo de Treinamento em Uma Única GPU e CPU"
|
||
|
||
O dispositivo é determinado automaticamente. Se uma GPU estiver disponível, ela será usada, caso contrário, o treinamento começará na CPU.
|
||
|
||
=== "Python"
|
||
|
||
```python
|
||
from ultralytics import YOLO
|
||
|
||
# Carregar um modelo
|
||
model = YOLO('yolov8n.yaml') # construir um novo modelo a partir do YAML
|
||
model = YOLO('yolov8n.pt') # carregar um modelo pré-treinado (recomendado para treinamento)
|
||
model = YOLO('yolov8n.yaml').load('yolov8n.pt') # construir a partir do YAML e transferir pesos
|
||
|
||
# Treinar o modelo
|
||
results = model.train(data='coco128.yaml', epochs=100, imgsz=640)
|
||
```
|
||
|
||
=== "CLI"
|
||
|
||
```bash
|
||
# Construir um novo modelo a partir do YAML e começar o treinamento do zero
|
||
yolo detect train data=coco128.yaml model=yolov8n.yaml epochs=100 imgsz=640
|
||
|
||
# Começar o treinamento a partir de um modelo *.pt pré-treinado
|
||
yolo detect train data=coco128.yaml model=yolov8n.pt epochs=100 imgsz=640
|
||
|
||
# Construir um novo modelo a partir do YAML, transferir pesos pré-treinados para ele e começar o treinamento
|
||
yolo detect train data=coco128.yaml model=yolov8n.yaml pretrained=yolov8n.pt epochs=100 imgsz=640
|
||
```
|
||
|
||
### Treinamento com Multi-GPU
|
||
|
||
O treinamento com múltiplas GPUs permite uma utilização mais eficiente dos recursos de hardware disponíveis, distribuindo a carga de treinamento entre várias GPUs. Esse recurso está disponível por meio da API do Python e da interface de linha de comando. Para habilitar o treinamento com várias GPUs, especifique os IDs dos dispositivos de GPU que deseja usar.
|
||
|
||
!!! Example "Exemplo de Treinamento com Multi-GPU"
|
||
|
||
Para treinar com 2 GPUs, dispositivos CUDA 0 e 1 use os seguintes comandos. Expanda para GPUs adicionais conforme necessário.
|
||
|
||
=== "Python"
|
||
|
||
```python
|
||
from ultralytics import YOLO
|
||
|
||
# Carregar um modelo
|
||
model = YOLO('yolov8n.pt') # carregar um modelo pré-treinado (recomendado para treinamento)
|
||
|
||
# Treinar o modelo com 2 GPUs
|
||
results = model.train(data='coco128.yaml', epochs=100, imgsz=640, device=[0, 1])
|
||
```
|
||
|
||
=== "CLI"
|
||
|
||
```bash
|
||
# Começar o treinamento a partir de um modelo *.pt pré-treinado usando as GPUs 0 e 1
|
||
yolo detect train data=coco128.yaml model=yolov8n.pt epochs=100 imgsz=640 device=0,1
|
||
```
|
||
|
||
### Treinamento com Apple M1 e M2 MPS
|
||
|
||
Com a integração do suporte para os chips Apple M1 e M2 nos modelos YOLO da Ultralytics, agora é possível treinar seus modelos em dispositivos que utilizam o poderoso framework Metal Performance Shaders (MPS). O MPS oferece uma forma de alto desempenho de executar tarefas de computação e processamento de imagens no silício personalizado da Apple.
|
||
|
||
Para habilitar o treinamento nos chips Apple M1 e M2, você deve especificar 'mps' como seu dispositivo ao iniciar o processo de treinamento. Abaixo está um exemplo de como você pode fazer isso em Python e via linha de comando:
|
||
|
||
!!! Example "Exemplo de Treinamento com MPS"
|
||
|
||
=== "Python"
|
||
|
||
```python
|
||
from ultralytics import YOLO
|
||
|
||
# Carregar um modelo
|
||
model = YOLO('yolov8n.pt') # carregar um modelo pré-treinado (recomendado para treinamento)
|
||
|
||
# Treinar o modelo com MPS
|
||
results = model.train(data='coco128.yaml', epochs=100, imgsz=640, device='mps')
|
||
```
|
||
|
||
=== "CLI"
|
||
|
||
```bash
|
||
# Começar o treinamento a partir de um modelo *.pt pré-treinado usando MPS
|
||
yolo detect train data=coco128.yaml model=yolov8n.pt epochs=100 imgsz=640 device=mps
|
||
```
|
||
|
||
Ao aproveitar o poder computacional dos chips M1/M2, isso possibilita o processamento mais eficiente das tarefas de treinamento. Para orientações mais detalhadas e opções avançadas de configuração, consulte a [documentação do PyTorch MPS](https://pytorch.org/docs/stable/notes/mps.html).
|
||
|
||
## Registro de Logs
|
||
|
||
Ao treinar um modelo YOLOv8, você pode achar valioso acompanhar o desempenho do modelo ao longo do tempo. É aqui que o registro de logs se torna útil. O YOLO da Ultralytics oferece suporte para três tipos de loggers - Comet, ClearML e TensorBoard.
|
||
|
||
Para usar um logger, selecione-o no menu suspenso no trecho de código acima e execute-o. O logger escolhido será instalado e inicializado.
|
||
|
||
### Comet
|
||
|
||
[Comet](https://www.comet.ml/site/) é uma plataforma que permite a cientistas de dados e desenvolvedores rastrear, comparar, explicar e otimizar experimentos e modelos. Oferece funcionalidades como métricas em tempo real, diffs de código e acompanhamento de hiperparâmetros.
|
||
|
||
Para usar o Comet:
|
||
|
||
!!! Example "Exemplo"
|
||
|
||
=== "Python"
|
||
```python
|
||
# pip install comet_ml
|
||
import comet_ml
|
||
|
||
comet_ml.init()
|
||
```
|
||
|
||
Lembre-se de fazer login na sua conta Comet no site deles e obter sua chave de API. Você precisará adicionar isso às suas variáveis de ambiente ou ao seu script para registrar seus experimentos.
|
||
|
||
### ClearML
|
||
|
||
[ClearML](https://www.clear.ml/) é uma plataforma de código aberto que automatiza o rastreamento de experimentos e ajuda com o compartilhamento eficiente de recursos. É projetada para ajudar as equipes a gerenciar, executar e reproduzir seus trabalhos de ML de maneira mais eficiente.
|
||
|
||
Para usar o ClearML:
|
||
|
||
!!! Example "Exemplo"
|
||
|
||
=== "Python"
|
||
```python
|
||
# pip install clearml
|
||
import clearml
|
||
|
||
clearml.browser_login()
|
||
```
|
||
|
||
Após executar este script, você precisará fazer login na sua conta ClearML no navegador e autenticar sua sessão.
|
||
|
||
### TensorBoard
|
||
|
||
[TensorBoard](https://www.tensorflow.org/tensorboard) é um kit de ferramentas de visualização para TensorFlow. Permite visualizar o seu gráfico TensorFlow, plotar métricas quantitativas sobre a execução do seu gráfico e mostrar dados adicionais como imagens que passam por ele.
|
||
|
||
Para usar o TensorBoard em [Google Colab](https://colab.research.google.com/github/ultralytics/ultralytics/blob/main/examples/tutorial.ipynb):
|
||
|
||
!!! Example "Exemplo"
|
||
|
||
=== "CLI"
|
||
```bash
|
||
load_ext tensorboard
|
||
tensorboard --logdir ultralytics/runs # substitua pelo diretório 'runs'
|
||
```
|
||
|
||
Para usar o TensorBoard localmente, execute o comando abaixo e veja os resultados em http://localhost:6006/:
|
||
|
||
!!! Example "Exemplo"
|
||
|
||
=== "CLI"
|
||
```bash
|
||
tensorboard --logdir ultralytics/runs # substitua pelo diretório 'runs'
|
||
```
|
||
|
||
Isso irá carregar o TensorBoard e direcioná-lo para o diretório onde seus logs de treinamento estão salvos.
|
||
|
||
Depois de configurar o seu logger, você pode então prosseguir com o treinamento do seu modelo. Todas as métricas de treinamento serão registradas automaticamente na sua plataforma escolhida, e você pode acessar esses logs para monitorar o desempenho do seu modelo ao longo do tempo, comparar diferentes modelos e identificar áreas para melhoria.
|