Exportiere ein benutzerdefiniertes Ultralytics YOLOv8-Modell
Entdecke die benutzerdefinierte Objekterkennung mit Ultralytics YOLOv8! Lerne, wie du Modelle trainierst, exportierst und eine Live-Inferenz über eine Webcam ausführst!
Begleite uns, während wir uns eingehender mit benutzerdefinierter Objekterkennung mit Ultralytics YOLOv8 befassen. In diesem Blogbeitrag erforschen wir den komplexen Prozess des Trainings eines benutzerdefinierten Modells, den Export der trainierten Gewichte und das Ausführen von Live-Inferenz auf einer Webcam.
Link to this sectionTraining eines benutzerdefinierten Objekterkennungsmodells#
In unserem vorherigen Video sind wir in das Gebiet des Trainings eines YOLOv8-Modells mit einem benutzerdefinierten Tassen-Datensatz in Google Colab eingetaucht. Wir haben gesehen, wie sich das Trainingsdiagramm stetig verbesserte, wobei der Verlust abnahm und die mean average precision (mAP) zunahm. Basierend darauf kann unser spezielles Modell nun fünf verschiedene Arten von Tassen sehr genau identifizieren.
Mit unserem benutzerdefinierten Modell, das trainiert und einsatzbereit ist, ist es an der Zeit, den nächsten Schritt zu wagen – das Exportieren der trainierten Gewichte und das Ausführen von Live-Inferenz auf einer Webcam.
Modell-Inferenz ist der Prozess der Verwendung eines trainierten Computer-Vision-Modells, um Vorhersagen oder Entscheidungen auf Basis neuer, ungesehener Daten zu treffen. Hierbei verwendet das Modell Eingabedaten, wie beispielsweise ein Bild, und verarbeitet diese durch seine gelernten Parameter und Strukturen. Das Modell liefert dann ein Ergebnis, wie Klassifizierung, Erkennung oder Segmentierung, basierend auf seiner Trainingsaufgabe.
In der Praxis beinhaltet Inferenz oft das Bereitstellen des trainierten Modells in einer Produktionsumgebung, wo es verwendet werden kann, um reale Daten in Echtzeit oder in Batch-Verarbeitungsszenarien zu verarbeiten.
Link to this sectionExportieren und Ausführen der Inferenz mit dem trainierten Modell#
Mit den aus Colab heruntergeladenen trainierten Modellgewichten können wir diese nahtlos in eine Python-Umgebung importieren und sind bereit, das volle Potenzial unseres benutzerdefinierten Modells freizusetzen.
Mit wenigen Zeilen Code können wir ein Python-Skript einrichten, um Live-Inferenz auf einer Webcam auszuführen, Echtzeit-Material aufzunehmen und verschiedene Tassen mit beeindruckender Genauigkeit zu erkennen. Die Stärke von YOLOv8 zeigt sich darin, wie unser Modell mühelos Tassen verschiedener Formen, Größen und Farben identifiziert und damit seine Vielseitigkeit und Zuverlässigkeit in realen Szenarien unter Beweis stellt.
Feinabstimmungsmodelle bieten mehrere Vorteile. Sie können Objekte erkennen, segmentieren oder klassifizieren, die von vortrainierten Modellen möglicherweise nicht unterstützt werden. Zusätzlich können sie Forschern oder Datenwissenschaftlern dabei helfen, zu verstehen, wie die Modellarchitektur bei realen Datensätzen abschneidet.
Abb. 1. Nicolai Nielsen skizziert, wie man ein benutzerdefiniertes Modell trainiert, die trainierten Gewichte exportiert und Live-Inferenz auf einer Webcam ausführt.
Link to this sectionZusammenfassung#
Vom Training eines benutzerdefinierten Modells bis zum Export der trainierten Gewichte und der Ausführung von Live-Inferenz auf einer Webcam haben wir die Kraft und Vielseitigkeit von YOLOv8 aus erster Hand miterlebt.
Begleite uns auf unserem Weg, das volle Potenzial benutzerdefinierter Objekterkennung mit Ultralytics YOLOv8 freizuschalten. Lass uns gemeinsam die Zukunft der KI gestalten, eine Erkennung nach der anderen. Schau dir die Ultralytics Platform und unsere Dokumentation für weitere Informationen über alles rund um Ultralytics an und tritt unserer Community bei, um über die neuesten Entwicklungen auf dem Laufenden zu bleiben!
Wenn du neugierig darauf bist, wie du benutzerdefinierte YOLOv8-Modelle exportierst und sie für die Inferenz mit einer Webcam ausführst, schau dir das vollständige Video an Watch the full video!
