For AI agents: the complete documentation index is available at https://docs.ovhcloud.com/fr/llms.txt, the full documentation bundle is available at https://docs.ovhcloud.com/fr/llms-full.txt, and this page is available as Markdown at https://docs.ovhcloud.com/fr/guides/public-cloud/ai-machine-learning/ai-notebooks-tuto-rock-paper-scissors.md.

AI Notebooks - Tutoriel - Entraîner YOLOv8 pour jouer à pierre papier ciseaux

Voir en Markdown

Comment entraîner le modèle YOLOv8 sur son propre dataset avec AI Notebooks

Objectif

L'objectif de ce tutoriel est de montrer comment entraîner YOLOv8 à jouer au jeu "pierre papier ciseaux".

YOLOv8 est un algorithme de détection d'objets. Bien qu'étroitement lié à la classification d'images, la détection d'objets effectue une classification d'images à une échelle plus précise. La détection d'objets localise et catégorise les éléments dans les images.

Il repose sur le repository open source de YOLOv8.

Prérequis

Accès à l'espace client OVHcloud

  • Lien direct :
  • Pour accéder à vos services : Public Cloud > Sélectionnez votre projet

En pratique

Ce tutoriel repose sur le Rock Paper Scissors SXSW Computer Vision Project Dataset. Il est disponible gratuitement sur Roboflow.

Info

Pour en savoir plus sur la licence de ce dataset, veuillez suivre ce lien.

Créer des conteneurs Object Storage

Si vous souhaitez le créer depuis l', rendez-vous dans la section Object Storage et créez un nouveau conteneur d'objets en cliquant sur Object Storage > Créer un conteneur d'objets.

Page Create an object container avec l'étape 1 Select a region ouverte sur l'onglet All locations proposant Beauharnois BHS Frankfurt DE Gravelines GRA Strasbourg SBG London UK et Warsaw WAW

Si vous souhaitez l'exécuter avec la CLI, suivez simplement ce guide. Vous devez choisir la région, le nom de votre conteneur et le chemin où se trouvent vos données, puis utiliser les commandes suivantes.

Warning

Dans ce tutoriel, vous devez créer 2 conteneurs d'objets.

  • Un conteneur d'objets rock-paper-scissors-data dédié au dataset :
ovhai bucket create <region> rock-paper-scissors-data
  • Un conteneur d'objets rock-paper-scissors-model pour sauvegarder les poids du modèle (pour une future inférence par exemple) :
ovhai bucket create <region> rock-paper-scissors-model
Warning

Ces deux conteneurs Object Storage seront vides au départ. Vous y ajouterez des données depuis le notebook.

Lancer et accéder à un notebook Jupyter avec le framework Miniconda

Vous devez attacher un volume si vos données se trouvent dans votre Object Storage OVHcloud et que vous souhaitez les utiliser pendant votre expérimentation, ou si vous devez sauvegarder les résultats de votre travail dans l'Object Storage. Pour plus d'informations sur les données, les volumes et les permissions, consultez notre guide sur les données.

Si vous souhaitez le lancer depuis l', suivez simplement ce guide.

  1. Nommez votre notebook
  2. Choisissez l’éditeur JupyterLab
  3. Sélectionnez le framework Miniconda
  4. Choisissez le type d’accès
  5. Sélectionnez la localisation du datacenter
  6. Choisissez le nombre de GPU ou de CPU dont vous avez besoin
  7. Attachez vos deux conteneurs
  8. Attachez des clés SSH publiques uniquement si vous le souhaitez
  9. Vérifiez que tout est correct et lancez votre notebook

Une fois le dépôt cloné, trouvez le notebook YOLOv8 en suivant ce chemin : ai-training-examples > notebooks > computer-vision > object-detection > miniconda > yolov8 > notebook_object_detection_yolov8_rock-paper-scissors.ipynb.

Si vous souhaitez le lancer avec la CLI, choisissez les volumes que vous voulez attacher et le nombre de GPU (<nb-gpus>) à utiliser sur votre notebook, puis exécutez la commande suivante :

ovhai notebook run conda jupyterlab \
	--name <name> \
	--gpu <nb-gpus> \
	--volume rock-paper-scissors-data@<region>/:/workspace/data:RW \
	--volume rock-paper-scissors-model@<region>/:/workspace/model:RW
Info

Pour ce tutoriel, nous vous conseillons d'utiliser au moins 1 GPU.

Vous pourrez ensuite accéder à l'URL de votre notebook une fois qu'il est en cours d'exécution.

Expérimenter avec le notebook YOLOv8

Vous êtes maintenant en mesure d'entraîner le modèle YOLOv8 à jouer au jeu pierre papier ciseaux.

Un aperçu de ce notebook est disponible sur GitHub ici.

Aller plus loin

  • Vous souhaitez observer l'évolution de vos métriques pendant l'entraînement de votre modèle ? Cliquez ici.
  • Vous souhaitez entraîner votre modèle YOLOv8 ? C'est par ici.
  • Vous souhaitez utiliser votre modèle YOLOv8 dans une app ? C'est par ici.

Pour une formation ou une assistance technique sur la mise en œuvre de nos solutions, contactez votre commercial ou consultez la page Professional Services pour obtenir un devis et faire analyser votre projet par nos experts.

Votre avis nous intéresse !

N’hésitez pas à nous faire part de vos questions, retours et suggestions pour améliorer le service :

Cette page vous a-t-elle aidé ?