Exportieren eines individuell trainierten Ultralytics YOLOv8-Modells

Werfen Sie mit uns einen genaueren Blick auf die benutzerdefinierte Objekterkennung mit Ultralytics YOLOv8. In diesem Blogpost werden wir den komplizierten Prozess des Trainings eines benutzerdefinierten Modells, des Exports der trainierten Gewichte und der Durchführung von Live-Inferenz auf einer Webcam untersuchen. 

Training eines benutzerdefinierten Objekterkennungsmodells

In unserem letzten Video haben wir uns mit dem Training eines YOLOv8-Modells auf einem benutzerdefinierten Cups-Datensatz in Google Colab beschäftigt. Wir sahen, wie sich die Trainingskurve stetig verbesserte, wobei der Verlust abnahm und die mittlere Fehlerposition zunahm. Auf dieser Grundlage kann unser spezielles Modell nun fünf verschiedene Arten von Tassen sehr genau identifizieren.

‍

Nachdem unser benutzerdefiniertes Modell trainiert wurde und einsatzbereit ist, ist es an der Zeit, die nächste Stufe zu erkunden: das Exportieren der trainierten Gewichte und die Durchführung von Live-Inferenzen über eine Webcam.

Modellinferenz ist der Prozess, bei dem ein trainiertes Computer-Vision-Modell verwendet wird, um Vorhersagen oder Entscheidungen auf der Grundlage neuer, ungesehener Daten zu treffen. Dabei verwendet das Modell Eingabedaten, z. B. ein Bild, und verarbeitet sie mit Hilfe 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 bedeutet Inferenz oft, dass das trainierte Modell in einer Produktionsumgebung eingesetzt wird, wo es zur Verarbeitung realer Daten in Echtzeit- oder Stapelverarbeitungsszenarien verwendet werden kann.

Exportieren und Ausführen von Inferenzen mit dem trainierten Modell

Mit den trainierten Modellgewichten, die wir von Colab heruntergeladen haben, können wir sie nahtlos in eine Python-Umgebung importieren und so das volle Potenzial unseres benutzerdefinierten Modells ausschöpfen.

Mit ein paar Zeilen Code können wir ein Python-Skript einrichten, um die Live-Inferenz auf einer Webcam laufen zu lassen, die Echtzeit-Aufnahmen macht und verschiedene Tassen mit beeindruckender Genauigkeit erkennt. Die Leistungsfähigkeit von YOLOv8 zeigt sich darin, dass unser Modell mühelos Tassen in verschiedenen Formen, Größen und Farben identifiziert und seine Vielseitigkeit und Zuverlässigkeit in realen Szenarien unter Beweis stellt.

Modelle zur Feinabstimmung bieten mehrere Vorteile. Sie können Objekte erkennen, segmentieren oder klassifizieren, die von vortrainierten Modellen möglicherweise nicht unterstützt werden. Darüber hinaus können sie Forschern oder Datenwissenschaftlern helfen, zu verstehen, wie die Modellarchitektur in realen Datensätzen funktioniert.

Einpacken

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

Begleiten Sie uns in unserem Bestreben, das volle Potenzial der benutzerdefinierten Objekterkennung mit Ultralytics YOLOv8 zu erschließen. Lassen Sie uns gemeinsam die Zukunft der KI gestalten, eine Erkennung nach der anderen. Besuchen Sie Ultralytics HUB und unsere Dokumente, um weitere Informationen über Ultralytics zu erhalten, und werden Sie Mitglied unserer Community, um über die neuesten Entwicklungen auf dem Laufenden zu bleiben! 

Wenn Sie neugierig sind, wie man YOLOv8-Modelle exportiert und Inferenzen mit der Webcam durchführt, sehen Sie sich das vollständige Video hier an!