การทำ AI Training YOLOv8 ด้วย Python

ในการ Training YOLOv8 ด้วย Python นั้น จะต้องทำตามขั้นตอนหลักๆ ดังนี้:

1. ติดตั้ง Ultralytics YOLOv8: นี่คือไลบรารีอย่างเป็นทางการที่ง่ายที่สุดในการใช้งาน YOLOv8
2. เตรียม Dataset: คุณจะต้องมีข้อมูลรูปภาพพร้อม Annotation (Bounding Box และ Class) ในรูปแบบที่ YOLOv8 เข้าใจ (COCO หรือ YOLO format)
3. สร้างหรือแก้ไขไฟล์ dataset.yaml: ไฟล์นี้จะระบุพาธของข้อมูล, ชื่อคลาสต่างๆ
4. เขียนโค้ด Python สำหรับ Training: ใช้โค้ดง่ายๆ ไม่กี่บรรทัดจากไลบรารี Ultralytics

อธิบายแต่ละขั้นตอนพร้อมโค้ดตัวอย่าง:

---

ขั้นตอนที่ 1: ติดตั้ง Ultralytics YOLOv8

เปิด Terminal หรือ Anaconda Prompt แล้วรันคำสั่งนี้:

Bash

pip install ultralytics

---

ขั้นตอนที่ 2: เตรียม Dataset

Dataset ของคุณควรจะอยู่ในโครงสร้างแบบนี้ (YOLO Format) ถ้าคุณมีในรูปแบบ COCO แล้ว คุณอาจจะต้องแปลงก่อน ซึ่งมีเครื่องมือหลายอย่างช่วยได้ หรือบางครั้ง Ultralytics ก็รองรับการโหลด COCO โดยตรงครับ

your_dataset/
├── images/
│   ├── train/
│   │   ├── image1.jpg
│   │   ├── image2.jpg
│   │   └── ...
│   ├── val/
│   │   ├── image_val1.jpg
│   │   └── ...
│   └── test/  (Optional, for final evaluation)
│       ├── image_test1.jpg
│       └── ...
└── labels/
    ├── train/
    │   ├── image1.txt
    │   ├── image2.txt
    │   └── ...
    ├── val/
    │   ├── image_val1.txt
    │   └── ...
    └── test/  (Optional)
        ├── image_test1.txt
        └── ...

ตัวอย่างไฟล์ image1.txt (label file):

แต่ละบรรทัดในไฟล์ .txt จะแทนหนึ่ง Object: class_id center_x center_y width height

0 0.5 0.5 0.2 0.3   # Class 0, bounding box normalized coordinates
1 0.2 0.8 0.1 0.15  # Class 1, bounding box normalized coordinates

• class_id: เลข ID ของคลาส (เริ่มต้นที่ 0)
• center_x, center_y, width, height: ค่าพิกัดและขนาดของ Bounding Box ที่ถูก Normalize (หารด้วยความกว้าง/สูงของรูปภาพ) ค่าจะอยู่ระหว่าง 0 ถึง 1

---

ขั้นตอนที่ 3: สร้างหรือแก้ไขไฟล์ dataset.yaml

สร้างไฟล์ชื่อ data.yaml (หรือชื่ออะไรก็ได้ที่คุณต้องการ) ในโฟลเดอร์เดียวกับสคริปต์ Python ของคุณ หรือในโฟลเดอร์ของ Dataset ก็ได้

ตัวอย่าง data.yaml:

YAML

# Path to your dataset root directory
path: ../your_dataset/ # หรือ C:/Users/YourUser/Desktop/your_dataset/ ถ้าคุณระบุพาธแบบเต็ม

# Train and validation image paths
train: images/train  # path relative to 'path'
val: images/val      # path relative to 'path'
# test: images/test  # Uncomment if you have a test set

# Class names
names:
  0: class_name_0
  1: class_name_1
  2: class_name_2
  # ... เพิ่มตามจำนวนคลาสของคุณ

สำคัญ:

• path: เป็น root directory ของ dataset ของคุณ
• train, val, test: เป็นพาธแบบ Relative จาก path ไปยังโฟลเดอร์รูปภาพของส่วน Train, Val, Test
• names: ลิสต์ชื่อคลาสของคุณ โดยที่ Key (0, 1, 2, …) คือ class_id และ Value คือ ชื่อคลาส

---

ขั้นตอนที่ 4: เขียนโค้ด Python สำหรับ Training

นี่คือโค้ด Python สำหรับ Training YOLOv8:

Python

from ultralytics import YOLO

# 1. โหลดโมเดล (เลือกโมเดลที่ต้องการ)
# คุณสามารถเลือกโมเดลที่ pre-trained มาแล้ว (เช่น 'yolov8n.pt' สำหรับ nano version)
# หรือจะเริ่มต้นจากโมเดลเปล่า (randomly initialized weights) ก็ได้
# ถ้าเริ่มต้นจากโมเดลเปล่า: model = YOLO('yolov8n.yaml')
model = YOLO('yolov8n.pt')  # ใช้ yolov8n.pt (nano) ที่ pre-trained แล้ว

# 2. เริ่มต้น Training
# 'data' ชี้ไปยังไฟล์ dataset.yaml
# 'epochs' คือจำนวนรอบที่โมเดลจะเรียนรู้จากข้อมูลทั้งหมด
# 'imgsz' คือขนาดของภาพที่โมเดลจะใช้ในการ Training (รูปภาพจะถูกปรับขนาดให้เท่ากัน)
# 'batch' คือขนาดของ batch size
results = model.train(data='data.yaml', epochs=100, imgsz=640, batch=16)

# 3. (Optional) ประเมินผลโมเดลบนชุดข้อมูล validation
# results = model.val()

# 4. (Optional) ทำนายผลด้วยโมเดลที่ train แล้ว
# results = model('path/to/your/image.jpg')

# 5. (Optional) ส่งออกโมเดลในรูปแบบต่างๆ (เช่น ONNX, OpenVINO, TFLite)
# model.export(format='onnx')

คำอธิบายพารามิเตอร์ที่สำคัญใน model.train():

• data: (Required) พาธไปยังไฟล์ data.yaml ที่คุณสร้างไว้
• epochs: (Required) จำนวน Epochs ในการ Training. จำนวนที่มากขึ้นอาจจะให้ผลลัพธ์ที่ดีขึ้นแต่ก็ใช้เวลานานขึ้นและเสี่ยงต่อ Overfitting
• imgsz: (Optional, default=640) ขนาดของรูปภาพที่ใช้ในการ Training. รูปภาพจะถูกปรับขนาดเป็น imgsz x imgsz ก่อนเข้าสู่โมเดล
• batch: (Optional, default=16) Batch size. จำนวนรูปภาพที่จะถูกประมวลผลพร้อมกันในหนึ่งรอบการ Iteration. ขนาด Batch ที่ใหญ่ขึ้นอาจจะทำให้ Training เร็วขึ้นแต่ก็ใช้ RAM GPU เยอะขึ้น
• name: (Optional) ชื่อของโปรเจกต์ (โฟลเดอร์ที่ผลลัพธ์จะถูกบันทึก)
• project: (Optional) โฟลเดอร์หลักที่จะเก็บโปรเจกต์ต่างๆ
• device: (Optional) ระบุอุปกรณ์ที่จะใช้ Training (e.g., 0 สำหรับ GPU ตัวแรก, 0,1 สำหรับ GPU สองตัว, cpu สำหรับ CPU)
• patience: (Optional) จำนวน Epochs ที่ไม่มีการปรับปรุงค่า validation metric (เช่น mAP) ก่อนที่การ Training จะหยุดอัตโนมัติ (Early Stopping)
• optimizer: (Optional) ประเภทของ Optimizer (เช่น ‘Adam’, ‘SGD’, ‘RMSProp’)
• lr0: (Optional) Initial learning rate
• lrf: (Optional) Final learning rate
• และพารามิเตอร์อื่นๆ อีกมากมายสำหรับ Hyperparameter Tuning ดูได้จาก Ultralytics Docs

ผลลัพธ์การ Training:

เมื่อคุณรันโค้ดนี้ Ultralytics จะสร้างโฟลเดอร์ runs/detect/trainX (โดยที่ X คือเลขรัน) ซึ่งจะเก็บ:

• weights/best.pt: โมเดลที่ดีที่สุดที่ถูก Train มาแล้ว
• weights/last.pt: โมเดลล่าสุด
• results.csv: ค่า Metric ต่างๆ ในแต่ละ Epoch
• confusion_matrix.png, F1_curve.png, P_curve.png, R_curve.png: กราฟต่างๆ ที่ช่วยในการวิเคราะห์ผล
• val_batchX_pred.jpg: รูปภาพตัวอย่างพร้อม Bounding Box ที่ทำนายบนชุดข้อมูล Validation

---

ตัวอย่างการใช้งานโมเดลที่ Train แล้ว:

หลังจาก Training เสร็จ คุณสามารถโหลดโมเดล best.pt หรือ last.pt เพื่อใช้งานได้:

Python

from ultralytics import YOLO

# โหลดโมเดลที่ Train มาแล้ว
model = YOLO('runs/detect/train/weights/best.pt') # หรือ 'runs/detect/train/weights/last.pt'

# ทำนายบนรูปภาพเดียว
results = model('path/to/your/image.jpg')

# ทำนายบนโฟลเดอร์ของรูปภาพ
# results = model('path/to/your/image_folder/')

# แสดงผลลัพธ์ (อาจจะเป็นรูปภาพพร้อม bounding box, หรือ object list)
for r in results:
    im_bgr = r.plot()  # plot returns an image with bounding boxes and labels in BGR format
    # แสดงรูปภาพด้วย OpenCV หรือบันทึกลงไฟล์
    # import cv2
    # cv2.imshow('Result', im_bgr)
    # cv2.waitKey(0)
    # cv2.destroyAllWindows()
    # cv2.imwrite('output_image.jpg', im_bgr)

    print(f"Boxes: {r.boxes}")     # Bounding Boxes, Classes, Scores
    print(f"Masks: {r.masks}")     # Segmentation Masks (if using segmentation model)
    print(f"Keypoints: {r.keypoints}") # Keypoints (if using pose estimation model)
    print(f"Probabilities: {r.probs}") # Classification Probabilities (if using classification model)

---

สรุปขั้นตอนการทำงาน:

1. เตรียมสภาพแวดล้อม: ติดตั้ง Python, pip, และ ultralytics
2. รวบรวมข้อมูล: รูปภาพและ Annotation
3. จัดโครงสร้าง Dataset: ให้เป็นไปตามที่ YOLOv8 กำหนด (โดยเฉพาะ YOLO format สำหรับ labels)
4. สร้าง data.yaml: กำหนดพาธของข้อมูลและชื่อคลาส
5. เขียนโค้ด Python: ใช้ from ultralytics import YOLO และ model.train() เพื่อเริ่มต้น Training
6. รันโค้ด: รอให้โมเดล Train จนเสร็จ
7. ประเมินและใช้งาน: โหลดโมเดลที่ Train แล้วมาใช้งานหรือประเมินผล

การ Training YOLOv8 ค่อนข้างตรงไปตรงมาด้วยไลบรารี Ultralytics ครับ ขอให้สนุกกับการพัฒนาโมเดลของคุณ!