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 Ultralytics YOLOv8 für die benutzerdefinierte Objekterkennung genauer ansehen. In diesem Blogbeitrag erkunden wir den komplexen Prozess des Trainierens eines benutzerdefinierten Modells, des Exportierens der trainierten Gewichte und des Ausführens von Live-Inferenz auf einer Webcam.
Training eines benutzerdefinierten Objekterkennungsmodells#
In unserem vorherigen Video sind wir in den Bereich des Trainings eines Ultralytics YOLOv8-Modells auf einem benutzerdefinierten Tassen-Dataset in Google Colab eingetaucht. Wir haben gesehen, wie sich das Trainingsdiagramm kontinuierlich verbessert hat, 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.
Exportieren 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 ein paar Zeilen Code können wir ein Python-Skript einrichten, um Live-Inferenz auf einer Webcam auszuführen, Echtzeit-Videomaterial aufzunehmen und verschiedene Tassen mit beeindruckender Genauigkeit zu erkennen. Die Leistungsfähigkeit von Ultralytics YOLOv8 zeigt sich deutlich, da unser Modell mühelos Tassen verschiedener Formen, Größen und Farben identifiziert und damit seine Vielseitigkeit und Zuverlässigkeit in realen Szenarien unter Beweis stellt.
Das Fine-Tuning von Modellen bietet mehrere Vorteile. Sie können Objekte erkennen, segmentieren oder klassifizieren, die von vortrainierten Modellen möglicherweise nicht unterstützt werden. Darüber hinaus können sie Forschern oder Data Scientists dabei helfen zu verstehen, wie sich die Modellarchitektur auf realen Datensätzen verhält.
Abb. 1: Nicolai Nielsen erklärt, wie man ein benutzerdefiniertes Modell trainiert, die trainierten Gewichte exportiert und Live-Inferenz auf einer Webcam ausführt.
Zusammenfassung#
Vom Training eines benutzerdefinierten Modells bis hin zum Exportieren der trainierten Gewichte und dem Ausführen von Live-Inferenz auf einer Webcam haben wir die Leistungsfähigkeit und Vielseitigkeit von Ultralytics YOLOv8 hautnah erlebt.
Begleite uns auf unserem Weg, das volle Potenzial der benutzerdefinierten Objekterkennung mit Ultralytics YOLOv8 auszuschöpfen. Lass uns gemeinsam die Zukunft der KI mit jeder Erkennung gestalten. Sieh dir die Ultralytics Platform und unsere docs an, um weitere Informationen zu allen Themen rund um Ultralytics zu erhalten, und trete unserer community bei, um über die neuesten Entwicklungen auf dem Laufenden zu bleiben!
Wenn du neugierig auf den Export benutzerdefinierter trainierter Ultralytics YOLOv8-Modelle und das Ausführen von Inferenz auf der Webcam bist, schau dir das vollständige Video an: Watch the full video!
