Exportieren Sie ein benutzerdefiniert trainiertes Ultralytics YOLOv8-Modell

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

Training eines benutzerdefinierten Objekterkennungsmodells

In unserem vorherigen Video haben wir uns mit dem Training eines YOLOv8-Modells auf einem benutzerdefinierten Tassen-Datensatz in Google Colab beschäftigt. Wir haben gesehen, wie sich der Trainingsgraph stetig verbessert, wobei der Verlust abnimmt und die mittlere Fehlerposition zunimmt. Auf dieser Grundlage kann unser spezielles Modell nun fünf verschiedene Arten von Tassen sehr genau identifizieren.

‍

Nachdem unser benutzerdefiniertes Modell trainiert und einsatzbereit ist, ist es an der Zeit, die nächste Grenze zu erkunden: den Export der trainierten Gewichte und die Durchführung von Live-Inferenz auf einer Webcam.

Modellinferenz ist der Prozess, bei dem ein trainiertes Computer Vision-Modell verwendet wird, um Vorhersagen zu treffen oder Entscheidungen auf der Grundlage neuer, unbekannter Daten zu treffen. Dabei verwendet das Modell Eingabedaten, wie z. B. ein Bild, und verarbeitet diese anhand seiner gelernten Parameter und Struktur. Das Modell erzeugt dann eine Ausgabe, wie z. B. Klassifizierung, Erkennung oder Segmentierung, basierend auf seiner Trainingsaufgabe. 

In der Praxis beinhaltet die Inferenz oft den Einsatz des trainierten Modells in einer Produktionsumgebung, in der es zur Verarbeitung von realen Daten in Echtzeit- oder Batch-Verarbeitungsszenarien verwendet werden kann.

Exportieren und Ausführen von Inferenz mit dem trainierten Modell

Nachdem die trainierten Modellgewichte von Colab heruntergeladen wurden, können wir sie nahtlos in eine Python-Umgebung importieren, bereit, das volle Potenzial unseres benutzerdefinierten Modells zu entfesseln.

Mit wenigen Codezeilen können wir ein Python-Skript einrichten, um Live-Inferenz auf einer Webcam auszuführen, Echtzeitaufnahmen zu erfassen und verschiedene Tassen mit beeindruckender Genauigkeit zu erkennen. Die Leistungsfähigkeit von YOLOv8 zeigt sich, da unser Modell mühelos Tassen verschiedener Formen, Größen und Farben identifiziert und 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 vortrainierte Modelle möglicherweise nicht unterstützen. Darüber hinaus können sie Forschern oder Datenwissenschaftlern helfen zu verstehen, wie sich die Modellarchitektur auf realen Datensätzen verhält.

Zusammenfassung

Vom Training eines benutzerdefinierten Modells über den Export der trainierten Gewichte bis hin zur Live-Inferenz auf einer Webcam haben wir die Leistungsfähigkeit und Vielseitigkeit von YOLOv8 aus erster Hand erlebt.

Begleiten Sie uns bei unserem Bestreben, das volle Potenzial der benutzerdefinierten Objekterkennung mit Ultralytics YOLOv8 auszuschöpfen. Gestalten wir gemeinsam die Zukunft der KI, eine Erkennung nach der anderen. Besuchen Sie Ultralytics HUB und unsere Dokumente, um weitere Informationen über alle Aspekte von Ultralytics zu erhalten, und treten Sie unserer Community bei, um über die neuesten Entwicklungen auf dem Laufenden zu bleiben! 

Wenn Sie mehr über das Exportieren von benutzerdefinierten trainierten YOLOv8-Modellen und das Ausführen von Inferenz auf der Webcam erfahren möchten, sehen Sie sich das vollständige Video hier! an.