前篇已經完成資料集專屬代碼的複製，接下來，本章將從Google Colab的環境建置，到YOLO的訓練與預測，全流程的一步步學習AI視覺辨識模型訓練的流程。

9.1. Google Colab環境設定

　　Google Colab，全名是Google Colaboratory，它提供了免費的雲端運算資源、讓使用者可在雲端執行 Python 程式碼，也免去本地端較繁複的系統環境設定，只要擁有 Google 帳號，便能快速地開始進行部署。

　　首先，搜尋或開啟Colab頁面：https://colab.research.google.com/ 並新增筆記本。

圖9.1 Google Colab 起始頁面

Step1：接下來，就像在電腦中安裝各種軟體一樣，安裝YOLO套件。

# 1. 安裝 YOLO
!pip install ultralytics

Step2：安裝roboflow並匯入執行，以及貼上前篇的資料集專屬代碼。

# 2. 下載資料集
!pip install roboflow

from roboflow import Roboflow
rf = Roboflow(api_key="這裡填上你的key")
project = rf.workspace("你的工作空間名").project("你的專案名")
version = project.version(2)
dataset = version.download("yolov8")

9.2. YOLO模型訓練

　　在進入正式訓練模型之前，先來了解一下ultralytics yolo預設的已訓練模型，主要依資料量的大小有分為五類，分別是nano、small、medium、large和xlarge。由於本案例僅有少量的資料集，因此選擇yolov8n.pt這個預設模型來訓練。

Step3：預設模型選擇輸入"yolov8n.pt"。

# 3. 載入模型（訓練好的.pt 或官方預訓練）
from ultralytics import YOLO
model = YOLO("yolov8n.pt") # 或 "runs/detect/train/weights/best.pt"

　　選擇模型之後，很重要的一步便是告訴電腦我的資料集放在哪個位置(如下圖9.2所示)，因此可以使用以下的代碼來檢查路徑是否有誤。

Step4：檢查data.yaml路徑。

# 4. 檢查data.yaml路徑
import os
for root, dirs, files in os.walk(".", topdown=False):
    for name in files:
        if name == "data.yaml":
            print(os.path.join(root, name))

圖9.2 檢查data.yaml路徑結果

　　當一切都完備時，就可以開始訓練模型了，但要特別留意須將data路徑更改為上一步查詢的結果；另外在訓練輪數(epochs)建議可先設為5次左右，當確認沒有運行大問題時，再加以調整。

Step5：訓練模型。

# 5. 訓練
from ultralytics import YOLO
model = YOLO("yolov8n.pt")  # 可用yolov8n.pt或v8s.pt等
model.train(data="./乙丙級電繪-2/data.yaml", epochs=50, imgsz=640)
# data路徑記得根據上一步查到的結果修改

9.3. 預測與下載結果

　　模型完成訓練後，需要使用訓練中最佳成果的模型best.pt，來應用驗證於非訓練集資料中的圖像，這也是AI模型應用最終的核心。另外同樣地要告訴電腦，我想要預測的圖像資料放在哪個位置，因此在source路徑記得替換修改。

Step6：使用模型預測。

# 6. 預測
results = model.predict(
    source="./乙丙級電繪-2/test/images", save=True, save_txt=True, project="runs/detect", name="predict")
    # source路徑記得根據替換修改

完成上一步預測後，Colab會自動設定存檔的位置，那要找出資料放置的地方，可以使用以下的代碼來查詢。

Step7：尋找預測資料夾位置。

# 7. 自動尋找最新資料夾
import os

def get_latest_folder(base_dir, prefix):
    folders = [
        os.path.join(base_dir, f)
        for f in os.listdir(base_dir)
        if os.path.isdir(os.path.join(base_dir, f)) and f.startswith(prefix)
    ]
    if not folders:
        print(f"找不到 {base_dir} 下的 {prefix}* 資料夾")
        return None
    latest_folder = max(folders, key=os.path.getmtime)
    print(f"最新 {prefix} 資料夾：{latest_folder}")
    return latest_folder

detect_dir = "runs/detect"
predict_folder = get_latest_folder(detect_dir, "predict")
train_folder = get_latest_folder(detect_dir, "train")

如果找到預測資料夾位置，想先瀏覽一下成果，則用以下代碼以方格預覽方式呈現(如圖9.3)。

Step8：預覽預測結果。

# 8. 批次方格預覽
import matplotlib.pyplot as plt
import glob
from PIL import Image

image_paths = sorted(glob.glob(os.path.join(predict_folder, "*.jpg")))

# [使用者可自訂]
n_cols = 2 # 欄
n_rows = 2 # 列
n_images = n_cols * n_rows

if len(image_paths) == 0:
    raise FileNotFoundError(f"{predict_folder} 下沒有找到任何 jpg 檔案，請確認推論結果")

plt.figure(figsize=(n_cols*4, n_rows*4))
for i, img_path in enumerate(image_paths[:n_images]):
    img = Image.open(img_path)
    plt.subplot(n_rows, n_cols, i+1)
    plt.imshow(img)
    plt.title(os.path.basename(img_path))
    plt.axis('off')
plt.tight_layout()
plt.show()

圖9.3 方格預覽結果

最後，我們可以使用以下代碼將結果下載。
Step9：壓縮結果。

# 9. 合併並壓縮
import shutil

all_dir = "/content/all_results"
# 先清空舊的 all_results 資料夾
if os.path.exists(all_dir):
    shutil.rmtree(all_dir)
os.makedirs(all_dir, exist_ok=True)

# 複製預測資料夾
if predict_folder and os.path.exists(predict_folder):
    shutil.copytree(predict_folder, os.path.join(all_dir, os.path.basename(predict_folder)))
# 複製訓練資料夾
if train_folder and os.path.exists(train_folder):
    shutil.copytree(train_folder, os.path.join(all_dir, os.path.basename(train_folder)))

# 壓縮 all_results
zip_name = "all_results.zip"
shutil.make_archive(zip_name.replace('.zip', ''), 'zip', all_dir)
print(f"已壓縮全部成果到 {zip_name}")

Step10：下載檔案。

# 10. 下載
from google.colab import files

if os.path.exists("all_results.zip"):
    files.download("all_results.zip")

9.4. 結語

　　今天我們學習如何從Google Colab的環境建置，再到YOLO模型訓練、預測的全流程，明天我們將學習預測結果所代表的各項意義，以便學習應當如何來優化訓練的結果。