Ultralytics YOLO27 :
Get Started

Accélérer les projets YOLO26 avec Google Colab#

De nombreux développeurs ne disposent pas des ressources de calcul puissantes nécessaires pour créer des modèles de deep learning. Acheter du matériel haut de gamme ou louer un GPU convenable peut coûter cher. Google Colab est une excellente solution. Cette plateforme accessible depuis un navigateur permet de travailler avec de grands jeux de données, de développer des modèles complexes et de partager ton travail avec d’autres, sans frais importants.



À regarder : Comment entraîner les modèles Ultralytics YOLO26 sur ton jeu de données personnalisé dans Google Colab.

Tu peux utiliser Google Colab pour travailler sur des projets liés aux modèles Ultralytics YOLO26. L’environnement convivial de Google Colab se prête bien au développement et à l’expérimentation efficaces de modèles. Découvrons Google Colab, ses principales fonctionnalités et la façon de l’utiliser pour entraîner des modèles YOLO26.

Google Colaboratory#

Google Colaboratory, communément appelé Google Colab, a été développé par Google Research en 2017. Il s’agit d’un environnement Jupyter Notebook en ligne, gratuit et hébergé dans le cloud, qui permet d’entraîner des modèles de machine learning et de deep learning sur des CPU, des GPU et des TPU. Le développement de Google Colab s’inscrivait dans les objectifs plus larges de Google : faire progresser les technologies d’IA et les outils pédagogiques, et encourager l’utilisation des services cloud.

Tu peux utiliser Google Colab quelles que soient les caractéristiques et la configuration de ton ordinateur local. Il te faut seulement un compte Google et un navigateur Web.

Entraîner YOLO26 avec Google Colaboratory#

L’entraînement des modèles YOLO26 sur Google Colab est simple. Tu peux accéder au notebook YOLO26 de Google Colab et commencer immédiatement à entraîner ton modèle. Pour bien comprendre le processus d’entraînement du modèle et connaître les bonnes pratiques, consulte notre guide d’entraînement des modèles YOLO26.

Questions courantes sur l’utilisation de Google Colab#

Lorsque tu utilises Google Colab, tu peux te poser quelques questions courantes. Voici leurs réponses.

Q : Pourquoi ma session Google Colab expire-t-elle ? R : Les sessions Google Colab peuvent expirer après une période d’inactivité, en particulier pour les utilisateurs gratuits dont la durée de session est limitée.

Q : Puis-je prolonger la durée d’une session Google Colab ? R : Les utilisateurs gratuits sont soumis à des limites, mais Google Colab Pro permet de prolonger les sessions.

Q : Que faire si ma session se ferme de façon inattendue ? R : Enregistre régulièrement ton travail sur Google Drive ou GitHub pour ne pas perdre tes modifications non enregistrées.

Q : Comment vérifier l’état de ma session et l’utilisation des ressources ? R : Colab affiche les indicateurs « RAM Usage » et « Disk Usage » dans l’interface pour surveiller tes ressources.

Q : Puis-je exécuter plusieurs sessions Colab simultanément ? R : Oui, mais surveille l’utilisation des ressources pour éviter les problèmes de performances.

Q : L’accès au GPU est-il limité dans Google Colab ? R : Oui, l’accès gratuit au GPU est limité, mais Google Colab Pro offre des possibilités d’utilisation plus étendues.

Principales fonctionnalités de Google Colab#

Voyons maintenant quelques-unes des fonctionnalités remarquables qui font de Google Colab une plateforme de référence pour les projets de machine learning :

  • Prise en charge des bibliothèques : Google Colab comprend des bibliothèques préinstallées pour l’analyse de données et le machine learning, et permet d’en installer d’autres selon les besoins. Il prend également en charge diverses bibliothèques pour créer des graphiques et des visualisations interactifs.

  • Ressources matérielles : Les utilisateurs peuvent aussi choisir différentes options matérielles en modifiant les paramètres d’exécution, comme illustré ci-dessous. Google Colab donne accès à des GPU tels que les NVIDIA T4, L4 et A100, ainsi qu’à des TPU, des circuits spécialisés conçus spécifiquement pour les tâches de machine learning.

Paramètres d’exécution de Google Colab pour sélectionner un GPU

  • Collaboration : Google Colab facilite la collaboration et le travail avec d’autres développeurs. Tu peux facilement partager tes notebooks avec d’autres personnes et les modifier en temps réel.

  • Environnement personnalisé : Les utilisateurs peuvent installer des dépendances, configurer le système et exécuter des commandes shell directement dans le notebook.

  • Ressources pédagogiques : Google Colab propose différents tutoriels et notebooks d’exemple pour aider les utilisateurs à découvrir et à explorer diverses fonctionnalités.

Pourquoi utiliser Google Colab pour tes projets YOLO26 ?#

Il existe de nombreuses options pour entraîner et évaluer les modèles YOLO26. Qu’est-ce qui rend donc l’intégration avec Google Colab unique ? Découvrons les avantages de cette intégration :

  • Aucune configuration : Comme Colab s’exécute dans le cloud, les utilisateurs peuvent commencer à entraîner des modèles immédiatement, sans configurer d’environnement complexe. Il suffit de créer un compte et de commencer à coder.

  • Prise en charge des formulaires : Il permet aux utilisateurs de créer des formulaires de saisie de paramètres, ce qui facilite l’expérimentation avec différentes valeurs.

  • Intégration avec Google Drive : Colab s’intègre parfaitement à Google Drive, ce qui simplifie le stockage, l’accès et la gestion des données. Les jeux de données et les modèles peuvent être stockés et récupérés directement depuis Google Drive.

  • Prise en charge de Markdown : Tu peux utiliser le format Markdown pour améliorer la documentation dans les notebooks.

  • Exécution planifiée : Les développeurs peuvent programmer l’exécution automatique des notebooks à des moments précis.

  • Extensions et widgets : Google Colab permet d’ajouter des fonctionnalités grâce à des extensions tierces et à des widgets interactifs.

Conseils pour utiliser YOLO26 sur Google Colab#

Pour tirer le meilleur parti de Google Colab lorsque tu utilises des modèles YOLO26, suis ces conseils pratiques :

  • Activer l’accélération GPU : active toujours l’accélération GPU dans les paramètres d’exécution pour accélérer considérablement l’entraînement.
  • Maintenir une connexion stable : comme Colab s’exécute dans le cloud, assure-toi d’avoir une connexion Internet stable pour éviter les interruptions pendant l’entraînement.
  • Organiser tes fichiers : stocke tes jeux de données et tes modèles sur Google Drive ou GitHub pour y accéder et les gérer facilement dans Colab.
  • Optimise l’utilisation de la mémoire : si tu rencontres des limites de mémoire avec l’offre gratuite, essaie de réduire la taille des images ou des lots pendant l’entraînement.
  • Enregistre régulièrement : en raison des limites de durée des sessions Colab, enregistre fréquemment ton modèle et tes résultats pour éviter de perdre ta progression.

Continue à découvrir Google Colab#

Si tu souhaites approfondir tes connaissances sur Google Colab, voici quelques ressources pour te guider.

Résumé#

Nous avons vu comment expérimenter facilement avec les modèles Ultralytics YOLO26 sur Google Colab. En quelques clics, tu peux utiliser Google Colab pour entraîner et évaluer tes modèles sur des GPU et des TPU, ce qui en fait une plateforme accessible aux développeurs qui ne disposent pas de matériel haut de gamme.

Pour en savoir plus, consulte la page FAQ de Google Colab.

Tu souhaites découvrir d’autres intégrations YOLO26 ? Consulte la page du guide des intégrations Ultralytics pour découvrir d’autres outils et fonctionnalités qui peuvent améliorer tes projets de machine learning, ou découvre l’intégration Kaggle, une autre solution basée sur le cloud.

FAQ#

  • Pour commencer à entraîner des modèles Ultralytics YOLO26 sur Google Colab, connecte-toi à ton compte Google, puis accède au notebook YOLO26 de Google Colab. Ce notebook te guide dans la configuration et le processus d’entraînement. Après l’avoir lancé, exécute les cellules étape par étape pour entraîner ton modèle. Pour consulter le guide complet, reporte-toi au guide d’entraînement des modèles YOLO26.

  • Google Colab offre plusieurs avantages pour l’entraînement des modèles YOLO26 :

    • Aucune configuration : aucune configuration initiale de l’environnement n’est nécessaire ; connecte-toi et commence à coder.
    • Accès gratuit aux GPU : utilise des GPU ou des TPU puissants sans avoir besoin de matériel coûteux.
    • Intégration à Google Drive : stocke et accède facilement à tes jeux de données et à tes modèles.
    • Collaboration : partage tes notebooks et collabore en temps réel.

    Pour en savoir plus sur les raisons d’utiliser Google Colab, consulte le guide d’entraînement et la page Google Colab.

  • Les sessions Google Colab expirent en cas d’inactivité, en particulier pour les utilisateurs de l’offre gratuite. Pour gérer ce problème :

    1. Reste actif : interagis régulièrement avec ton notebook Colab.
    2. Enregistre ta progression : enregistre régulièrement ton travail sur Google Drive ou GitHub.
    3. Colab Pro : envisage de passer à Google Colab Pro pour bénéficier de sessions plus longues.

    Pour obtenir d’autres conseils sur la gestion de ta session Colab, consulte la page FAQ de Google Colab.

  • Oui, tu peux utiliser des jeux de données personnalisés pour entraîner des modèles YOLO26 sur Google Colab. Téléverse ton jeu de données sur Google Drive et charge-le directement dans ton notebook Colab. Tu peux suivre le guide YouTube de Nicolai, Comment entraîner des modèles YOLO26 avec ton jeu de données personnalisé, ou consulter le guide d’entraînement avec un jeu de données personnalisé pour obtenir des instructions détaillées.

  • Si ta session d’entraînement Google Colab est interrompue :

    1. Enregistre régulièrement : évite de perdre les modifications non enregistrées en sauvegardant régulièrement ton travail sur Google Drive ou GitHub.
    2. Reprends l’entraînement : redémarre ta session, charge le point de contrôle last.pt de l’exécution interrompue, puis poursuis avec model.train(resume=True) (voir Reprendre les entraînements interrompus).
    3. Utilise des points de contrôle : enregistre le répertoire d’entraînement project sur Google Drive afin que last.pt soit conservé en cas de déconnexion de l’environnement d’exécution, et utilise save_period pour conserver des points de contrôle périodiques à chaque époque.

    Ces pratiques contribuent à protéger ta progression. Pour en savoir plus sur la gestion des sessions, consulte la page FAQ de Google Colab.

Contributeurs
GLglenn-jocher17RIRizwanMunawar3RAraimbekovm1PDpderrenger1ONonuralpszr1DAdarouwan1ABabirami-vina1

Commentaires