Ein benutzerdefiniert trainiertes Ultralytics-YOLOv8-Modell exportieren

Wir werfen einen genaueren Blick auf die benutzerdefinierte Objekterkennung mit Ultralytics YOLOv8. In diesem Blogbeitrag sehen wir uns an, wie du ein eigenes Modell trainierst, die trainierten Gewichte exportierst und eine Live-Inferenz über eine Webcam ausführst.

Ein benutzerdefiniertes Objekterkennungsmodell trainieren#

In unserem vorherigen Video haben wir das Training eines Ultralytics-YOLOv8-Modells mit einem benutzerdefinierten Datensatz in Google Colab anhand eines Datensatzes mit Bechern behandelt. Wir haben gesehen, wie sich die Trainingskurve kontinuierlich verbesserte: Der Verlust sank und die mittlere durchschnittliche Präzision (mAP) stieg. Auf dieser Grundlage kann unser benutzerdefiniertes Modell jetzt fünf verschiedene Bechertypen sehr präzise erkennen.

Nachdem unser benutzerdefiniertes Modell nun trainiert und einsatzbereit ist, sehen wir uns den nächsten Schritt an: die trainierten Gewichte exportieren und eine Live-Inferenz über eine Webcam ausführen.

Modellinferenz bezeichnet den Einsatz eines trainierten Computer-Vision-Modells, um auf Grundlage neuer, bisher unbekannter Daten Vorhersagen oder Entscheidungen zu treffen. Dabei nutzt das Modell Eingabedaten wie ein Bild und verarbeitet sie anhand seiner erlernten Parameter und Struktur. Anschließend gibt das Modell entsprechend seiner Trainingsaufgabe eine Ausgabe wie eine Klassifizierung, Erkennung oder Segmentierung aus.

In der Praxis bedeutet Inferenz häufig, das trainierte Modell in einer Produktionsumgebung bereitzustellen, wo es reale Daten in Echtzeit oder stapelweise verarbeiten kann.

Das trainierte Modell exportieren und Inferenz ausführen#

Nachdem wir die trainierten Modellgewichte aus Colab heruntergeladen haben, können wir sie in eine Python-Umgebung laden und unser benutzerdefiniertes Modell einsetzen.

Mit wenigen Codezeilen können wir ein Python-Skript einrichten, das eine Live-Inferenz über eine Webcam ausführt, Echtzeitaufnahmen erfasst und verschiedene Becher erkennt. Das Modell erkennt Becher unterschiedlicher Formen, Größen und Farben und zeigt damit, wie gut es mit realen Szenarien zurechtkommt.

Feinabgestimmte Modelle bieten mehrere Vorteile. Sie können Objekte erkennen, segmentieren oder klassifizieren, die von vortrainierten Modellen möglicherweise nicht unterstützt werden. Außerdem können sie Forschenden oder Datenwissenschaftlern helfen, die Leistung einer Modellarchitektur anhand realer Datensätze zu verstehen.

Abb. 1. Nicolai Nielsen erläutert, wie man ein benutzerdefiniertes Modell trainiert, die trainierten Gewichte exportiert und eine Live-Inferenz über eine Webcam ausführt.

Zum Abschluss#

Vom Training eines benutzerdefinierten Modells über den Export der trainierten Gewichte bis hin zur Live-Inferenz über eine Webcam haben wir gesehen, wie Ultralytics YOLOv8 den gesamten Arbeitsablauf abdeckt.

Möchtest du die benutzerdefinierte Objekterkennung selbst ausprobieren? Sieh dir die Ultralytics Platform und unsere Dokumentation an, um mehr über alles 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, wie du mit Ultralytics YOLOv8 trainierte Modelle exportierst und Inferenz mit einer Webcam ausführst, sieh dir das vollständige Video an!