Ein benutzerdefiniert trainiertes Ultralytics YOLOv8-Modell exportieren

Begleite uns bei einem genaueren Blick auf die benutzerdefinierte Objekterkennung mit Ultralytics YOLOv8. In diesem Blogbeitrag untersuchen wir den komplexen Prozess des Trainings eines benutzerdefinierten Modells, des Exports der trainierten Gewichte und der Ausführung einer Live-Inferenz mit einer Webcam.

Training eines benutzerdefinierten Objekterkennungsmodells#

In unserem vorherigen Video haben wir uns eingehend mit dem Training eines Ultralytics YOLOv8-Modells auf einem benutzerdefinierten Becherdatensatz in Google Colab beschäftigt. Wir haben gesehen, wie sich die Trainingskurve stetig verbessert hat, wobei der Verlust abnahm und die mittlere durchschnittliche Präzision (mAP) zunahm. Auf dieser Grundlage kann unser spezielles Modell nun fünf verschiedene Bechertypen sehr präzise erkennen.

Da unser benutzerdefiniertes Modell trainiert und einsatzbereit ist, ist es an der Zeit, die nächste Herausforderung anzugehen – den Export der trainierten Gewichte und die Ausführung einer Live-Inferenz mit einer Webcam.

Bei der Modellinferenz wird ein trainiertes Computer-Vision-Modell verwendet, um auf Grundlage neuer, bisher unbekannter Daten Vorhersagen zu treffen oder Entscheidungen zu fällen. Dabei verarbeitet das Modell Eingabedaten, beispielsweise ein Bild, mithilfe seiner erlernten Parameter und Strukturen. Anschließend erzeugt das Modell basierend auf seiner Trainingsaufgabe eine Ausgabe, etwa eine Klassifikation, Erkennung oder Segmentierung.

In der Praxis umfasst die Inferenz häufig die Bereitstellung des trainierten Modells in einer Produktionsumgebung, in der es zur Verarbeitung realer Daten in Echtzeit oder in Szenarien mit Stapelverarbeitung eingesetzt werden kann.

Export und Inferenz mit dem trainierten Modell#

Nachdem wir die trainierten Modellgewichte aus Colab heruntergeladen haben, können wir sie nahtlos in eine Python-Umgebung importieren, um das volle Potenzial unseres benutzerdefinierten Modells auszuschöpfen.

Mit wenigen Codezeilen können wir ein Python-Skript einrichten, das eine Live-Inferenz mit einer Webcam ausführt, Videomaterial in Echtzeit aufnimmt und verschiedene Becher mit beeindruckender Genauigkeit erkennt. Die Leistungsfähigkeit von Ultralytics YOLOv8 wird deutlich, wenn unser Modell mühelos Becher unterschiedlicher Formen, Größen und Farben identifiziert und so seine Vielseitigkeit und Zuverlässigkeit in realen Szenarien unter Beweis stellt.

Das Feinabstimmen von Modellen bietet mehrere Vorteile. Sie können Objekte erkennen, segmentieren oder klassifizieren, die von vortrainierten Modellen möglicherweise nicht unterstützt werden. Außerdem können sie Forschenden oder Datenwissenschaftlerinnen und Datenwissenschaftlern dabei helfen zu verstehen, wie sich eine Modellarchitektur auf realen Datensätzen bewährt.

Abb. 1. Nicolai Nielsen erläutert, wie ein benutzerdefiniertes Modell trainiert, die trainierten Gewichte exportiert und eine Live-Inferenz mit einer Webcam ausgeführt wird.

Zum Abschluss#

Vom Training eines benutzerdefinierten Modells über den Export der trainierten Gewichte bis hin zur Ausführung einer Live-Inferenz mit einer Webcam konnten wir die Leistungsfähigkeit und Vielseitigkeit von Ultralytics YOLOv8 aus erster Hand erleben.

Begleite uns auf unserer Reise, das volle Potenzial der benutzerdefinierten Objekterkennung mit Ultralytics YOLOv8 zu erschließen. Lass uns gemeinsam die Zukunft der KI gestalten – eine Erkennung nach der anderen. Sieh dir die Ultralytics Platform und unsere Dokumentation an, um mehr über alle Themen rund um Ultralytics zu erfahren, und werde Teil unserer Community, um über die neuesten Entwicklungen auf dem Laufenden zu bleiben!

Wenn du neugierig darauf bist, individuell trainierte Ultralytics YOLOv8-Modelle zu exportieren und Inferenzen mit einer Webcam auszuführen, sieh dir das vollständige Video an: Vollständiges Video ansehen!