Exporta un modelo de Ultralytics YOLOv8 personalizado

Acompáñanos a echar un vistazo más de cerca a la detección de objetos personalizada con Ultralytics YOLOv8. En esta entrada de blog, exploraremos el intrincado proceso de entrenar un modelo personalizado, exportar los pesos entrenados y ejecutar inferencia en directo con una cámara web.

Entrenamiento de un modelo de detección de objetos personalizado#

En nuestro vídeo anterior, nos adentramos en el ámbito del training de un modelo Ultralytics YOLOv8 con un conjunto de datos de tazas personalizado en Google Colab. Vimos cómo el gráfico de entrenamiento mejoraba de manera constante, con la pérdida disminuyendo y la precisión media (mAP) aumentando. Basándonos en esto, nuestro modelo especial puede identificar ahora cinco tipos diferentes de tazas con gran precisión.

Con nuestro modelo personalizado entrenado y listo para funcionar, es hora de explorar la siguiente frontera: exportar los pesos entrenados y ejecutar inferencia en tiempo real con una webcam.

La inferencia de modelos es el proceso de utilizar un modelo de visión artificial entrenado para realizar predicciones o decisiones basadas en datos nuevos y 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 entonces produce una salida, como una clasificación, detección o segmentación, basada en su tarea de entrenamiento.

En términos prácticos, la inferencia suele implicar desplegar el modelo entrenado en un entorno de producción donde pueda ser utilizado para procesar datos del mundo real en tiempo real o en escenarios de procesamiento por lotes.

Exportar y ejecutar la inferencia con el modelo entrenado#

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

Utilizando unas pocas líneas de código, podemos configurar un script de Python para ejecutar inferencia en directo en una cámara web, capturando secuencias en tiempo real y detectando diferentes tazas con una precisión impresionante. El potencial de Ultralytics YOLOv8 reluce mientras nuestro modelo identifica sin esfuerzo tazas de diversas formas, tamaños y colores, mostrando su versatilidad y fiabilidad en escenarios del mundo real.

El ajuste fino de modelos ofrece varias ventajas. Pueden detectar, segmentar o clasificar objetos que los modelos preentrenados tal vez no admitan. Además, pueden ayudar a los investigadores o científicos de datos a comprender cómo rinde la arquitectura de un modelo en conjuntos de datos del mundo real.

Fig 1. Nicolai Nielsen explicando cómo entrenar un modelo personalizado, exportar los pesos entrenados y ejecutar inferencia en directo con una cámara web.

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 presenciado de primera mano el potencial y la versatilidad de Ultralytics YOLOv8.

Acompáñanos en nuestra misión de liberar todo el potencial de la detección de objetos personalizada con Ultralytics YOLOv8. Juntos, demos forma al futuro de la IA una detección a la vez. ¡Echa un vistazo a Ultralytics Platform y a 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 de Ultralytics YOLOv8 entrenados a medida y ejecutar inferencia en una cámara web, ¡mira el vídeo completo Watch the full video!