Exporta un modelo Ultralytics YOLOv8 entrenado de forma personalizada

Acompáñanos para analizar más de cerca la detección de objetos personalizada con Ultralytics YOLOv8. En esta entrada del blog, exploraremos el intrincado proceso de entrenar un modelo personalizado, exportar los pesos entrenados y ejecutar inferencia en directo con una webcam.

Entrenamiento de un modelo personalizado de detección de objetos#

En nuestro vídeo anterior, nos adentramos en el entrenamiento de un modelo Ultralytics YOLOv8 con un conjunto de datos personalizado de vasos en Google Colab. Vimos cómo la gráfica de entrenamiento mejoraba de forma constante, con la pérdida disminuyendo y la precisión media promedio (mAP) aumentando. Gracias a esto, nuestro modelo especializado puede identificar con gran precisión cinco tipos diferentes de vasos.

Con nuestro modelo personalizado ya entrenado y listo para usar, ha llegado el momento de explorar la siguiente frontera: exportar los pesos entrenados y ejecutar inferencia en directo con una webcam.

La inferencia del modelo es el proceso de utilizar un modelo de visión artificial entrenado para realizar predicciones o tomar decisiones basadas en datos nuevos que no ha visto anteriormente. Es el momento en que el modelo utiliza datos de entrada, como una imagen, y los procesa mediante sus parámetros y estructura aprendidos. A continuación, el modelo produce una salida, como una clasificación, detección o segmentación, en función de la tarea para la que se ha entrenado.

En términos prácticos, la inferencia suele implicar implementar el modelo entrenado en un entorno de producción, donde se puede utilizar para procesar datos del mundo real en escenarios de procesamiento en tiempo real o por lotes.

Exportación y ejecución de inferencia con el modelo entrenado#

Con los pesos del modelo entrenado descargados desde Colab, podemos importarlos fácilmente en un entorno de Python, listos para aprovechar todo el potencial de nuestro modelo personalizado.

Con unas pocas líneas de código, podemos configurar un script de Python para ejecutar inferencia en directo con una webcam, capturando vídeo en tiempo real y detectando distintos vasos con una precisión impresionante. El potencial de Ultralytics YOLOv8 se hace patente cuando nuestro modelo identifica sin esfuerzo vasos de diversas formas, tamaños y colores, demostrando su versatilidad y fiabilidad en situaciones del mundo real.

Los modelos ajustados ofrecen varias ventajas. Pueden detectar, segmentar o clasificar objetos que los modelos preentrenados podrían no admitir. Además, pueden ayudar a investigadores o científicos de datos a comprender cómo funciona la arquitectura del modelo con conjuntos de datos del mundo real.

Figura 1. Nicolai Nielsen explica cómo entrenar un modelo personalizado, exportar los pesos entrenados y ejecutar inferencia en directo con una webcam.

Conclusiones#

Desde entrenar un modelo personalizado hasta exportar los pesos entrenados y ejecutar inferencia en directo con una webcam, hemos comprobado de primera mano el potencial y la versatilidad de Ultralytics YOLOv8.

Acompáñanos en nuestra misión de aprovechar todo el potencial de la detección de objetos personalizada con Ultralytics YOLOv8. Juntos, demos forma al futuro de la IA, una detección cada vez. Visita Ultralytics Platform y nuestra documentación para obtener más información sobre todo lo relacionado con Ultralytics, y únete a nuestra comunidad para estar al día de las últimas novedades.

Si tienes curiosidad por exportar modelos Ultralytics YOLOv8 entrenados con datos personalizados y ejecutar inferencia con una webcam, ¡mira el vídeo completo Ver el vídeo completo!