Bỏ qua nội dung

Hướng dẫn từng bước để đào tạo YOLO11 Các mô hình với IBM Watsonx

Ngày nay, các giải pháp thị giác máy tính có thể mở rộng đang trở nên phổ biến hơn và đang chuyển đổi cách chúng ta xử lý dữ liệu trực quan. Một ví dụ tuyệt vời là IBM Watsonx, một nền tảng dữ liệu và AI tiên tiến giúp đơn giản hóa quá trình phát triển, triển khai và quản lý các mô hình AI. Nó cung cấp một bộ hoàn chỉnh cho toàn bộ vòng đời AI và tích hợp liền mạch với các dịch vụ IBM Cloud.

Bạn có thể đào tạo các mô hình Ultralytics YOLO11 bằng IBM Watsonx. Đây là một lựa chọn tốt cho các doanh nghiệp quan tâm đến việc đào tạo mô hình hiệu quả, tinh chỉnh cho các tác vụ cụ thể và cải thiện hiệu suất mô hình bằng các công cụ mạnh mẽ và thiết lập thân thiện với người dùng. Trong hướng dẫn này, chúng tôi sẽ hướng dẫn bạn quy trình đào tạo YOLO11 với IBM Watsonx, bao gồm mọi thứ từ thiết lập môi trường đến đánh giá các mô hình đã được đào tạo của bạn. Hãy bắt đầu nào!

IBM Watsonx là gì?

Watsonx là nền tảng đám mây của IBM được thiết kế cho AI tạo ra thương mại và dữ liệu khoa học. Ba thành phần của IBM Watsonx - watsonx.ai, watsonx.data và watsonx.governance - kết hợp với nhau để tạo ra một nền tảng AI đáng tin cậy, toàn diện có thể đẩy nhanh các dự án AI nhằm giải quyết các vấn đề kinh doanh. Nó cung cấp các công cụ mạnh mẽ để xây dựng, đào tạo và triển khai các mô hình học máy và giúp dễ dàng kết nối với nhiều nguồn dữ liệu khác nhau.

Tổng quan về IBM Watsonx

Giao diện thân thiện với người dùng và khả năng cộng tác hợp lý hóa quy trình phát triển và hỗ trợ quản lý và triển khai mô hình hiệu quả. Cho dù là thị giác máy tính, phân tích dự đoán, xử lý ngôn ngữ tự nhiên hay các ứng dụng AI khác, IBM Watsonx cung cấp các công cụ và hỗ trợ cần thiết để thúc đẩy đổi mới.

Các tính năng chính của IBM Watsonx

IBM Watsonx được tạo thành từ ba thành phần chính: watsonx.ai, watsonx.data và watsonx.governance. Mỗi thành phần cung cấp các tính năng phục vụ cho các khía cạnh khác nhau của AI và quản lý dữ liệu. Chúng ta hãy xem xét kỹ hơn về chúng.

Watsonx.ai

Watsonx.ai cung cấp các công cụ mạnh mẽ để phát triển AI và cung cấp quyền truy cập vào các mô hình tùy chỉnh được IBM hỗ trợ, các mô hình của bên thứ ba như Llama 3 và các mô hình Granite của IBM. Nó bao gồm Prompt Lab để thử nghiệm các lời nhắc AI, Tuning Studio để cải thiện hiệu suất mô hình với dữ liệu được gắn nhãn và Flows Engine để đơn giản hóa quá trình phát triển ứng dụng AI tạo sinh. Ngoài ra, nó cung cấp các công cụ toàn diện để tự động hóa vòng đời mô hình AI và kết nối với nhiều API và thư viện khác nhau.

Watsonx.dữ liệu

Watsonx.data hỗ trợ cả triển khai đám mây và tại chỗ thông qua tích hợp IBM Storage Fusion HCI. Bảng điều khiển thân thiện với người dùng của nó cung cấp quyền truy cập tập trung vào dữ liệu trên nhiều môi trường và giúp khám phá dữ liệu dễ dàng với SQL thông thường. Nó tối ưu hóa khối lượng công việc với các công cụ truy vấn hiệu quả như Presto và Spark, tăng tốc thông tin chi tiết về dữ liệu với lớp ngữ nghĩa hỗ trợ AI, bao gồm cơ sở dữ liệu vector để liên quan đến AI và hỗ trợ các định dạng dữ liệu mở để dễ dàng chia sẻ dữ liệu phân tích và AI.

Watsonx.quản trị

Watsonx.governance giúp tuân thủ dễ dàng hơn bằng cách tự động xác định các thay đổi theo quy định và thực thi các chính sách. Nó liên kết các yêu cầu với dữ liệu rủi ro nội bộ và cung cấp các bảng dữ liệu AI cập nhật. Nền tảng này giúp quản lý rủi ro bằng các cảnh báo và công cụ để phát hiện các vấn đề như sai lệch và trôi dạt . Nó cũng tự động hóa việc giám sát và lập tài liệu về vòng đời AI, tổ chức phát triển AI với một kho mô hình và tăng cường cộng tác với các bảng thông tin thân thiện với người dùng và các công cụ báo cáo.

Cách luyện tập YOLO11 Sử dụng IBM Watsonx

Bạn có thể sử dụng IBM Watsonx để tăng tốc YOLO11 quy trình đào tạo mô hình.

Điều kiện tiên quyết

Bạn cần có tài khoản IBM Cloud để tạo dự án watsonx.ai và bạn cũng cần có tài khoản Kaggle để tải bộ dữ liệu.

Bước 1: Thiết lập môi trường của bạn

Đầu tiên, bạn cần thiết lập tài khoản IBM để sử dụng Jupyter Notebook. Đăng nhập vào watsonx.ai bằng tài khoản IBM Cloud của bạn.

Sau đó, tạo một dự án watsonx.ai và một Jupyter Notebook .

Sau khi thực hiện, một môi trường sổ ghi chép sẽ mở ra để bạn tải tập dữ liệu của mình. Bạn có thể sử dụng mã từ hướng dẫn này để giải quyết nhiệm vụ đào tạo mô hình phát hiện đối tượng đơn giản.

Bước 2: Cài đặt và nhập các thư viện có liên quan

Tiếp theo, bạn có thể cài đặt và nhập các mục cần thiết Python thư viện.

Cài đặt

# Install the required packages
pip install torch torchvision torchaudio
pip install opencv-contrib-python-headless
pip install ultralytics==8.0.196

Để biết hướng dẫn chi tiết và các biện pháp thực hành tốt nhất liên quan đến quy trình cài đặt, hãy xem hướng dẫn Cài đặt Ultralytics của chúng tôi. Trong khi cài đặt các gói cần thiết cho YOLO11 , nếu bạn gặp bất kỳ khó khăn nào, hãy tham khảo hướng dẫn Sự cố thường gặp của chúng tôi để biết giải pháp và mẹo.

Sau đó, bạn có thể nhập các gói cần thiết.

Nhập thư viện có liên quan

# Import ultralytics
import ultralytics

ultralytics.checks()

# Import packages to retrieve and display image files

Bước 3: Tải dữ liệu

Đối với hướng dẫn này, chúng tôi sẽ sử dụng một tập dữ liệu rác thải biển có sẵn trên Kaggle. Với tập dữ liệu này, chúng tôi sẽ tùy chỉnh đào tạo một YOLO11 mô hình phát hiện và phân loại rác thải và các vật thể sinh học trong hình ảnh dưới nước.

Chúng ta có thể tải tập dữ liệu trực tiếp vào sổ ghi chép bằng API Kaggle. Trước tiên, hãy tạo một tài khoản Kaggle miễn phí. Sau khi tạo tài khoản, bạn sẽ cần tạo khóa API. Hướng dẫn tạo khóa có thể được tìm thấy trong tài liệu API Kaggle trong phần "Thông tin xác thực API".

Sao chép và dán tên người dùng Kaggle và khóa API của bạn vào mã sau. Sau đó chạy mã để cài đặt API và tải tập dữ liệu vào Watsonx.

Cài đặt

# Install kaggle
pip install kaggle

Sau khi cài đặt Kaggle, chúng ta có thể tải tập dữ liệu vào Watsonx.

Tải dữ liệu

# Replace "username" string with your username
os.environ["KAGGLE_USERNAME"] = "username"
# Replace "apiKey" string with your key
os.environ["KAGGLE_KEY"] = "apiKey"

# Load dataset
os.system("kaggle datasets download atiqishrak/trash-dataset-icra19 --unzip")

# Store working directory path as work_dir
work_dir = os.getcwd()

# Print work_dir path
print(os.getcwd())

# Print work_dir contents
print(os.listdir(f"{work_dir}"))

# Print trash_ICRA19 subdirectory contents
print(os.listdir(f"{work_dir}/trash_ICRA19"))

Sau khi tải tập dữ liệu, chúng tôi đã in và lưu thư mục làm việc của mình. Chúng tôi cũng đã in nội dung của thư mục làm việc để xác nhận tập dữ liệu "trash_ICRA19" đã được tải đúng cách.

Nếu bạn thấy "trash_ICRA19" trong nội dung của thư mục, thì nó đã được tải thành công. Bạn sẽ thấy ba tệp/thư mục: a config.yaml tập tin, một videos_for_testing thư mục và một dataset thư mục. Chúng tôi sẽ bỏ qua videos_for_testing thư mục, vì vậy bạn có thể thoải mái xóa nó.

Chúng tôi sẽ sử dụng tệp config.yaml và nội dung của thư mục tập dữ liệu để đào tạo mô hình phát hiện đối tượng của chúng tôi. Sau đây là hình ảnh mẫu từ tập dữ liệu rác thải biển của chúng tôi.

Rác thải biển có hộp giới hạn

Bước 4: Xử lý trước dữ liệu

May mắn thay, tất cả các nhãn trong tập dữ liệu rác thải biển đã được định dạng như YOLO .txt. Tuy nhiên, chúng ta cần sắp xếp lại cấu trúc của các thư mục hình ảnh và nhãn để giúp mô hình của chúng ta xử lý hình ảnh và nhãn. Hiện tại, thư mục tập dữ liệu đã tải của chúng ta tuân theo cấu trúc này:

Thư mục tập dữ liệu đã tải

Nhưng, YOLO Theo mặc định, các mô hình yêu cầu các hình ảnh và nhãn riêng biệt trong các thư mục con trong phần tách train/val/test. Chúng ta cần sắp xếp lại thư mục thành cấu trúc sau:

Yolo Cấu trúc thư mục

Để sắp xếp lại thư mục tập dữ liệu, chúng ta có thể chạy tập lệnh sau:

Xử lý trước dữ liệu

# Function to reorganize dir
def organize_files(directory):
    for subdir in ["train", "test", "val"]:
        subdir_path = os.path.join(directory, subdir)
        if not os.path.exists(subdir_path):
            continue

        images_dir = os.path.join(subdir_path, "images")
        labels_dir = os.path.join(subdir_path, "labels")

        # Create image and label subdirs if non-existent
        os.makedirs(images_dir, exist_ok=True)
        os.makedirs(labels_dir, exist_ok=True)

        # Move images and labels to respective subdirs
        for filename in os.listdir(subdir_path):
            if filename.endswith(".txt"):
                shutil.move(os.path.join(subdir_path, filename), os.path.join(labels_dir, filename))
            elif filename.endswith(".jpg") or filename.endswith(".png") or filename.endswith(".jpeg"):
                shutil.move(os.path.join(subdir_path, filename), os.path.join(images_dir, filename))
            # Delete .xml files
            elif filename.endswith(".xml"):
                os.remove(os.path.join(subdir_path, filename))


if __name__ == "__main__":
    directory = f"{work_dir}/trash_ICRA19/dataset"
    organize_files(directory)

Tiếp theo, chúng ta cần sửa đổi tệp .yaml cho tập dữ liệu. Đây là thiết lập chúng ta sẽ sử dụng trong tệp .yaml của mình. Số ID lớp bắt đầu từ 0:

path: /path/to/dataset/directory # root directory for dataset
train: train/images # train images subdirectory
val: train/images # validation images subdirectory
test: test/images # test images subdirectory

# Classes
names:
    0: plastic
    1: bio
    2: rov

Chạy tập lệnh sau để xóa nội dung hiện tại của config.yaml và thay thế bằng nội dung ở trên phản ánh cấu trúc thư mục tập dữ liệu mới của chúng ta. Hãy chắc chắn thay thế phần work_dir của đường dẫn thư mục gốc ở dòng 4 bằng đường dẫn thư mục làm việc của riêng bạn mà chúng ta đã lấy trước đó. Để lại các định nghĩa thư mục con train, val và test. Ngoài ra, không thay đổi {work_dir} ở dòng 23 của mã.

Chỉnh sửa tệp .yaml

# Contents of new confg.yaml file
def update_yaml_file(file_path):
    data = {
        "path": "work_dir/trash_ICRA19/dataset",
        "train": "train/images",
        "val": "train/images",
        "test": "test/images",
        "names": {0: "plastic", 1: "bio", 2: "rov"},
    }

    # Ensures the "names" list appears after the sub/directories
    names_data = data.pop("names")
    with open(file_path, "w") as yaml_file:
        yaml.dump(data, yaml_file)
        yaml_file.write("\n")
        yaml.dump({"names": names_data}, yaml_file)


if __name__ == "__main__":
    file_path = f"{work_dir}/trash_ICRA19/config.yaml"  # .yaml file path
    update_yaml_file(file_path)
    print(f"{file_path} updated successfully.")

Bước 5: Đào tạo YOLO11 người mẫu

Chạy mã dòng lệnh sau để tinh chỉnh mặc định đã được đào tạo trước YOLO11 người mẫu.

Đào tạo YOLO11 người mẫu

!yolo task=detect mode=train data={work_dir}/trash_ICRA19/config.yaml model=yolo11n.pt epochs=2 batch=32 lr0=.04 plots=True

Sau đây là cái nhìn sâu hơn về các tham số trong lệnh đào tạo mô hình:

  • nhiệm vụ : Nó chỉ định nhiệm vụ thị giác máy tính mà bạn đang sử dụng YOLO mô hình và tập dữ liệu.
  • mode : Biểu thị mục đích bạn đang tải mô hình và dữ liệu đã chỉ định. Vì chúng ta đang đào tạo một mô hình, nên nó được đặt thành "đào tạo". Sau đó, khi chúng ta kiểm tra hiệu suất của mô hình, chúng ta sẽ đặt thành "dự đoán".
  • epochs : Điều này giới hạn số lần YOLO11 sẽ duyệt qua toàn bộ tập dữ liệu của chúng tôi.
  • batch : Giá trị số quy định kích thước batch đào tạo. Các batch là số lượng hình ảnh mà mô hình xử lý trước khi cập nhật các tham số của nó.
  • lr0 : Chỉ định tốc độ học ban đầu của mô hình.
  • cốt truyện : Chỉ đạo YOLO để tạo và lưu các biểu đồ về số liệu đánh giá và đào tạo của mô hình của chúng tôi.

Để hiểu rõ hơn về quy trình đào tạo mô hình và các phương pháp hay nhất, hãy tham khảo hướng dẫn Đào tạo mô hình YOLO11 . Hướng dẫn này sẽ giúp bạn tận dụng tối đa các thử nghiệm của mình và đảm bảo bạn đang sử dụng YOLO11 có hiệu quả.

Bước 6: Kiểm tra mô hình

Bây giờ chúng ta có thể chạy suy luận để kiểm tra hiệu suất của mô hình được tinh chỉnh của mình:

Kiểm tra YOLO11 người mẫu

!yolo task=detect mode=predict source={work_dir}/trash_ICRA19/dataset/test/images model={work_dir}/runs/detect/train/weights/best.pt conf=0.5 iou=.5 save=True save_txt=True

Tập lệnh ngắn này tạo ra các nhãn dự đoán cho từng hình ảnh trong bộ thử nghiệm của chúng tôi, cũng như các tệp hình ảnh đầu ra mới chồng hộp giới hạn dự đoán lên trên hình ảnh gốc.

Nhãn .txt được dự đoán cho mỗi hình ảnh được lưu thông qua save_txt=True đối số và hình ảnh đầu ra với lớp phủ hộp giới hạn được tạo ra thông qua save=True lý lẽ.
Tham số conf=0.5 thông báo cho mô hình bỏ qua mọi dự đoán có độ tin cậy dưới 50%.

Cuối cùng, iou=.5 hướng dẫn mô hình bỏ qua các hộp trong cùng một lớp có độ chồng chéo 50% trở lên. Nó giúp giảm các hộp trùng lặp tiềm ẩn được tạo ra cho cùng một đối tượng.
chúng ta có thể tải hình ảnh với lớp phủ hộp giới hạn dự đoán để xem mô hình của chúng ta hoạt động như thế nào trên một số hình ảnh.

Hiển thị dự đoán

# Show the first ten images from the preceding prediction task
for pred_dir in glob.glob(f"{work_dir}/runs/detect/predict/*.jpg")[:10]:
    img = Image.open(pred_dir)
    display(img)

Đoạn mã trên hiển thị mười hình ảnh từ bộ thử nghiệm với các hộp giới hạn dự đoán của chúng, kèm theo nhãn tên lớp và mức độ tin cậy.

Bước 7: Đánh giá mô hình

Chúng ta có thể tạo ra hình ảnh trực quan về độ chính xác và khả năng thu hồi của mô hình cho từng lớp. Các hình ảnh trực quan này được lưu trong thư mục gốc, trong thư mục train. Điểm chính xác được hiển thị trong P_curve.png:

Đường cong độ tin cậy chính xác

Biểu đồ cho thấy độ chính xác tăng theo cấp số nhân khi mức độ tin cậy của mô hình đối với dự đoán tăng lên. Tuy nhiên, độ chính xác của mô hình vẫn chưa đạt đến mức độ tin cậy nhất định sau hai kỷ nguyên .

Biểu đồ thu hồi (R_curve.png) hiển thị xu hướng ngược:

Đường cong tin cậy thu hồi

Không giống như độ chính xác, độ thu hồi di chuyển theo hướng ngược lại, cho thấy độ thu hồi lớn hơn với các trường hợp có độ tin cậy thấp hơn và độ thu hồi thấp hơn với các trường hợp có độ tin cậy cao hơn. Đây là một ví dụ thích hợp về sự đánh đổi giữa độ chính xác và độ thu hồi đối với các mô hình phân loại.

Bước 8: Tính toán giao điểm trên hợp

Bạn có thể đo độ chính xác của dự đoán bằng cách tính IoU giữa hộp giới hạn dự đoán và hộp giới hạn thực tế cho cùng một đối tượng. Hãy xem hướng dẫn của IBM về đào tạo YOLO11 để biết thêm chi tiết.

Bản tóm tắt

Chúng tôi đã khám phá các tính năng chính của IBM Watsonx và cách đào tạo YOLO11 mô hình sử dụng IBM Watsonx. Chúng tôi cũng thấy cách IBM Watsonx có thể nâng cao quy trình làm việc AI của bạn bằng các công cụ tiên tiến để xây dựng mô hình, quản lý dữ liệu và tuân thủ.

Để biết thêm chi tiết về cách sử dụng, hãy truy cập tài liệu chính thức của IBM Watsonx .

Ngoài ra, hãy nhớ xem trang hướng dẫn tích hợp Ultralytics để tìm hiểu thêm về các tích hợp thú vị khác nhau.

CÂU HỎI THƯỜNG GẶP

Làm thế nào để tôi đào tạo một YOLO11 mô hình sử dụng IBM Watsonx?

Để đào tạo một YOLO11 mô hình sử dụng IBM Watsonx, hãy làm theo các bước sau:

  1. Thiết lập môi trường của bạn : Tạo tài khoản IBM Cloud và thiết lập dự án Watsonx.ai. Sử dụng Jupyter Notebook cho môi trường mã hóa của bạn.
  2. Cài đặt thư viện: Cài đặt các thư viện cần thiết như torch, opencv, Và ultralytics.
  3. Tải dữ liệu : Sử dụng Kaggle API để tải tập dữ liệu của bạn vào Watsonx.
  4. Tiền xử lý dữ liệu: Tổ chức tập dữ liệu của bạn vào cấu trúc thư mục cần thiết và cập nhật .yaml tập tin cấu hình.
  5. Đào tạo mô hình: Sử dụng YOLO giao diện dòng lệnh để đào tạo mô hình của bạn với các tham số cụ thể như epochs, batch size, Và learning rate.
  6. Kiểm tra và Đánh giá : Chạy suy luận để kiểm tra mô hình và đánh giá hiệu suất của nó bằng các số liệu như độ chính xác và độ thu hồi.

Để biết hướng dẫn chi tiết, hãy tham khảo hướng dẫn Đào tạo người mẫu YOLO11 của chúng tôi.

Những tính năng chính của IBM Watsonx để đào tạo mô hình AI là gì?

IBM Watsonx cung cấp một số tính năng chính để đào tạo mô hình AI:

  • Watsonx.ai : Cung cấp các công cụ phát triển AI, bao gồm quyền truy cập vào các mô hình tùy chỉnh được IBM hỗ trợ và các mô hình của bên thứ ba như Llama 3. Công cụ này bao gồm Prompt Lab, Tuning Studio và Flows Engine để quản lý vòng đời AI toàn diện.
  • Watsonx.data : Hỗ trợ triển khai trên nền tảng đám mây và tại chỗ, cung cấp quyền truy cập dữ liệu tập trung, các công cụ truy vấn hiệu quả như Presto và Spark, cùng lớp ngữ nghĩa hỗ trợ AI.
  • Watsonx.governance : Tự động tuân thủ, quản lý rủi ro bằng cảnh báo và cung cấp các công cụ để phát hiện các vấn đề như thiên vị và trôi dạt. Nó cũng bao gồm bảng điều khiển và công cụ báo cáo để cộng tác.

Để biết thêm thông tin, hãy truy cập tài liệu chính thức của IBM Watsonx .

Tại sao tôi nên sử dụng IBM Watsonx để đào tạo Ultralytics YOLO11 mô hình?

IBM Watsonx là sự lựa chọn tuyệt vời cho đào tạo Ultralytics YOLO11 mô hình do bộ công cụ toàn diện của nó giúp hợp lý hóa vòng đời AI. Các lợi ích chính bao gồm:

  • Khả năng mở rộng : Dễ dàng mở rộng quy mô đào tạo mô hình của bạn bằng dịch vụ IBM Cloud.
  • Tích hợp : Tích hợp liền mạch với nhiều nguồn dữ liệu và API khác nhau.
  • Giao diện thân thiện với người dùng : Đơn giản hóa quá trình phát triển với giao diện trực quan và mang tính cộng tác.
  • Công cụ nâng cao : Truy cập vào các công cụ mạnh mẽ như Prompt Lab, Tuning Studio và Flows Engine để nâng cao hiệu suất mô hình.

Tìm hiểu thêm về Ultralytics YOLO11 và cách đào tạo mô hình bằng IBM Watsonx trong hướng dẫn tích hợp của chúng tôi.

Làm thế nào tôi có thể xử lý trước tập dữ liệu của mình cho YOLO11 đào tạo về IBM Watsonx?

Để xử lý trước tập dữ liệu của bạn cho YOLO11 đào tạo về IBM Watsonx:

  1. Tổ chức các thư mục : Đảm bảo tập dữ liệu của bạn tuân theo YOLO cấu trúc thư mục với các thư mục con riêng biệt cho hình ảnh và nhãn trong phân tách train/val/test.
  2. Cập nhật tệp .yaml: Sửa đổi .yaml tệp cấu hình để phản ánh cấu trúc thư mục và tên lớp mới.
  3. Chạy tập lệnh tiền xử lý: Sử dụng một Python tập lệnh để sắp xếp lại tập dữ liệu của bạn và cập nhật .yaml nộp hồ sơ theo quy định.

Sau đây là một tập lệnh mẫu để sắp xếp tập dữ liệu của bạn:

import os
import shutil


def organize_files(directory):
    for subdir in ["train", "test", "val"]:
        subdir_path = os.path.join(directory, subdir)
        if not os.path.exists(subdir_path):
            continue

        images_dir = os.path.join(subdir_path, "images")
        labels_dir = os.path.join(subdir_path, "labels")

        os.makedirs(images_dir, exist_ok=True)
        os.makedirs(labels_dir, exist_ok=True)

        for filename in os.listdir(subdir_path):
            if filename.endswith(".txt"):
                shutil.move(os.path.join(subdir_path, filename), os.path.join(labels_dir, filename))
            elif filename.endswith(".jpg") or filename.endswith(".png") or filename.endswith(".jpeg"):
                shutil.move(os.path.join(subdir_path, filename), os.path.join(images_dir, filename))


if __name__ == "__main__":
    directory = f"{work_dir}/trash_ICRA19/dataset"
    organize_files(directory)

Để biết thêm chi tiết, hãy tham khảo hướng dẫn xử lý dữ liệu trước của chúng tôi.

Những điều kiện tiên quyết để đào tạo một YOLO11 mô hình trên IBM Watsonx?

Trước khi bạn bắt đầu đào tạo một YOLO11 mô hình trên IBM Watsonx, hãy đảm bảo bạn có các điều kiện tiên quyết sau:

  • Tài khoản IBM Cloud : Tạo tài khoản trên IBM Cloud để truy cập Watsonx.ai.
  • Tài khoản Kaggle : Để tải tập dữ liệu, bạn sẽ cần một tài khoản Kaggle và khóa API.
  • Jupyter Notebook : Thiết lập môi trường Jupyter Notebook trong Watsonx.ai để mã hóa và đào tạo mô hình.

Để biết thêm thông tin về cách thiết lập môi trường của bạn, hãy truy cập hướng dẫn Cài đặt Ultralytics của chúng tôi.

📅 Được tạo cách đây 4 tháng ✏️ Đã cập nhật cách đây 2 tháng
Trợ lý Ultralytics glenn-jocher MatthewNoyce RizwanMunawar Cười-q abirami vina

Bình luận