Обучение модели компьютерного зрения в домашних условиях. Часть 2

Этап обучения - Самый долгий этап в зависимости от размера датасета и мощности железа

Время обучения по нашим замерам:
Windows, RTX 4070: ~400 изображений - около 3 часов.
Mac M4: ~4000 изображений - заняло два дня...

По метрикам после 20 эпох:
mAP50: ~0.45
Precision: ~0.67
Recall: ~0.4
Маловато, но для прототипа и учебной задачи - более чем рабочий результат.
Для production-задачи желательны значения mAP50 от 0.7+ в зависимости от критичности ошибок.

Разницу в результатах «на глаз» не заметил. Размер датасета — не решающий фактор, там много нюансов от качества разметки, разнообразия кадров, настройки обучения и других критериев.

Для первого быстрого теста хватит и 200 изображений.
В примере стоит 100 эпох обучения, я остановил после 20.
save_period можно поставить 5, например - чтобы меньше ждать до следующего сохранения.

Код для обучения:

from ultralytics import YOLO
import torch

# Проверка device
device = "mps" if torch.backends.mps.is_available() else "cpu"
print(f"Обучение на: {device}")

# Загрузить модель
print("Загрузка модели yolov8s...")
model = YOLO("yolov8s.pt")

# Запустить обучение
print("Начинаем обучение...")
results = model.train(
    # Основные параметры
    data="/путь_до_вашей_папки/data.yaml", # указываем свой путь
    epochs=100,
    imgsz=640,
    device=device,
    
    # Параметры обучения
    batch=16,
    patience=20,           # early stopping после 20 эпох без улучшения
    save=True,            # сохранять чекпойнты
    save_period=10,       # сохранять каждые 10 эпох
    
    # Augmentation
    hsv_h=0.015,
    hsv_s=0.7,
    hsv_v=0.4,
    degrees=10.0,
    translate=0.1,
    scale=0.5,
    flipud=0.5,
    fliplr=0.5,
    
    # Оптимизация
    lr0=0.01,
    lrf=0.01,
    momentum=0.937,
    weight_decay=0.0005,
    warmup_epochs=3.0,
    
    # Сохранение результатов
    project=".",
    name="yolov8s_ppe",
    exist_ok=False,        # создать новую папку если существует
    
    # Валидация
    val=True,
    split=0.1,            # 10% на валидацию
    
    # Логирование
    verbose=True,
)

print("Обучение завершено!")
print(f"Результаты сохранены в: runs/detect/yolov8s_ppe")

Запуск обучения можно сделать из терминала, на Windows так и поступили. Команда с минимальными настройками:

yolo task=detect mode=train model=yolov8s.pt data="C:/путь_до_вашей_папки/data.yaml" epochs=100 imgsz=640

Запуск обученной модели

Готовая модель сохраняется в файл best.pt - его можно спокойно переносить на другие машины и запускать там, где установлен Python и ultralytics

Код для запуска в комментах

Следующим этапом можно пойти дальше и разметить свой датасет, но я пока не уверен стоит ли оно того 🤷🏻‍♂️

Эти знания можно применить для реализации своих идей хоть сейчас.
От распознавания пролетающих птиц до определения брака на конвейере.

Было полезно? )
Если где-то не хватило инфы - пишите, дополню пост.

З.Ы. Если кто-то попробует обучить свою модель - напишите, пожалуйста, что по результатам и впечатлениям 🤗

2/2