Exportar un modelo Ultralytics YOLOv8 entrenado a medida

Entrenamiento de un modelo personalizado de detección de objetos

En nuestro vídeo anterior, nos adentramos en el ámbito del entrenamiento de un modelo YOLOv8 en un conjunto de datos de tazas personalizado en Google Colab. Vimos que el gráfico de entrenamiento mejoraba constantemente, con una disminución de la pérdida y un aumento de la posición media de error. Basándonos en esto, nuestro modelo especial puede ahora identificar con gran precisión cinco tipos diferentes de tazas.

‍

Con nuestro modelo personalizado entrenado y listo para funcionar, es hora de explorar la siguiente frontera: exportar los pesos entrenados y ejecutar la inferencia en directo en una cámara web.

La inferencia de modelos es el proceso de utilizar un modelo de visión por ordenador entrenado para realizar predicciones o tomar decisiones basadas en nuevos datos no vistos. Es cuando el modelo utiliza datos de entrada, como una imagen, y los procesa a través de sus parámetros y estructura aprendidos. El modelo produce entonces un resultado, como clasificación, detección o segmentación, basado en su tarea de entrenamiento. 

En la práctica, la inferencia suele implicar el despliegue del modelo entrenado en un entorno de producción en el que puede utilizarse para procesar datos del mundo real en tiempo real o en situaciones de procesamiento por lotes.

Exportación y ejecución de la inferencia con el modelo entrenado

Con los pesos del modelo entrenado descargados de Colab, podemos importarlos sin problemas a un entorno Python, listos para liberar todo el potencial de nuestro modelo personalizado.

Con unas pocas líneas de código, podemos configurar un script de Python para ejecutar la inferencia en directo en una cámara web, capturando imágenes en tiempo real y detectando diferentes tazas con una precisión impresionante. La potencia de YOLOv8 se pone de manifiesto cuando nuestro modelo identifica sin esfuerzo copas de distintas formas, tamaños y colores, demostrando su versatilidad y fiabilidad en situaciones reales.

Los modelos de ajuste fino ofrecen varias ventajas. Pueden detectar, segmentar o clasificar objetos que los modelos preentrenados no admiten. Además, pueden ayudar a los investigadores o científicos de datos a comprender el rendimiento de la arquitectura del modelo en conjuntos de datos del mundo real.

Conclusión

Desde el entrenamiento de un modelo personalizado hasta la exportación de los pesos entrenados y la ejecución de inferencia en directo en una cámara web, hemos sido testigos de primera mano de la potencia y versatilidad de YOLOv8.

Únase a nosotros en nuestra búsqueda para liberar todo el potencial de la detección de objetos personalizada con Ultralytics YOLOv8. Juntos, daremos forma al futuro de la IA, detección a detección. Consulte Ultralytics HUB y nuestros documentos para obtener más información sobre Ultralytics y únase a nuestra comunidad para estar al día de las últimas novedades. 

Si tienes curiosidad por saber cómo exportar modelos YOLOv8 entrenados a medida y ejecutar la inferencia en la webcam, ¡mira el vídeo completo aquí!