Al final de este tutorial, podrá volver a entrenar el modelo YOLOv7 con su conjunto de datos personalizado y hacer una predicción simple en su propia imagen.
🚀 Empezando
📚 Subir conjunto de datos
Lo primero que deberá hacer es cargar su conjunto de datos en su Google Drive. Usaré BCCD Dataset del sitio web de Roboflow, pero puede usar los datos que desee, pero recuerde que debe estar en un formato adecuado para YOLO. Este artículo le dirá cómo deben verse las etiquetas en formato YOLO.
🔑 Nota importante. Recuerde incluir información sobre la ruta a las carpetas de datos en el archivo de configuración de sus datos. En mi caso, la estructura de archivos se ve así (puedes verificarlo debajo del ícono 📁 en la barra izquierda).
Y el archivo de configuración (data.yaml) se ve así:
📓 Crear cuaderno
Luego, vayamos a Google Colab y creemos un nuevo cuaderno. Por supuesto, para acelerar el proceso de entrenamiento, cambiaremos el tipo de tiempo de ejecución a GPU. Para hacer esto, vaya a la pestaña ‘Tiempo de ejecución’, luego ‘Cambiar tipo de tiempo de ejecución’ y en la opción ‘Acelerador de hardware’ seleccione ‘GPU’ y guárdelo.
Después de preparar el ambiente, podemos empezar a codificar!
🤖 Codificación
💽 Conéctate con Google Drive y prepara el modelo
Entonces, comencemos conectando Google Drive:
Luego tenemos que clonar el repositorio YOLOv7
Vamos al directorio clonado
E instalar dependencias
Ahora descargaré una versión del modelo YOLOv7. Usaré el modelo YOLOv7-tiny, pero puedes usar cualquier modelo que quieras. Aquí puede encontrar la lista de modelos
🏃🤖 ¡Entrena al modelo!
¡Después de descargar el modelo, podemos comenzar a entrenar! Puede ajustar los parámetros a continuación. Usaré estos. Recuerde que si cambia el tipo de modelo (o cualquier otra cosa, como la ruta de datos), debe cambiar sucesivamente su nombre más adelante en este tutorial.
Después de este paso, podemos intentar hacer una predicción de prueba. Te daré una imagen del conjunto válido. Puedes intentar usar cualquier imagen que quieras. Simplemente cambie la ruta en --source argumento.
¡Ahora ejecutemos todas las celdas y esperemos los resultados! El proceso de entrenamiento puede tomar mucho tiempo dependiendo de los parámetros que haya dado y la cantidad y el tamaño de sus datos.
El modelo imprimirá las métricas en tiempo real, para que pueda realizar un seguimiento del rendimiento del modelo. También es posible conectar una herramienta de seguimiento de experimentos, W&B, que devolverá el informe de entrenamiento completo del modelo.
Y hay un resultado de detección de prueba. ¡Veamos y juzgue usted mismo si estaría satisfecho después de solo 18 minutos de entrenamiento!
✨ Conclusión
El YOLOv7 es un gran modelo que aumenta nuestras capacidades, además es fácil de usar y tiene un gran rendimiento. No será difícil crear aplicaciones que utilicen este modelo y lograr el éxito rápidamente. ¡Espero con ansias los próximos modelos que han impulsado nuestro desarrollo!
Espero que también te hayas divertido usando YOLOv7.
¡Estén atentos para futuros tutoriales!
¡Gracias! – Jakub Misiło, pasante de ciencia de datos en New Native