Exporta un modelo Ultralytics YOLOv8 entrenado a medida

Acompáñanos para conocer más de cerca la detección personalizada de objetos con Ultralytics YOLOv8. En esta entrada del blog, veremos el proceso de entrenamiento de un modelo personalizado, la exportación de los pesos entrenados y la ejecución de inferencias en directo con una cámara web.

Entrenar un modelo personalizado de detección de objetos#

En nuestro vídeo anterior, explicamos cómo entrenar un modelo Ultralytics YOLOv8 con un conjunto de datos personalizado en Google Colab mediante un conjunto de datos de tazas. Vimos cómo la gráfica de entrenamiento mejoraba progresivamente, con una disminución de la pérdida y un aumento de la precisión media promedio (mAP). A partir de estos resultados, nuestro modelo personalizado ya puede identificar con gran precisión cinco tipos distintos de tazas.

Con nuestro modelo personalizado ya entrenado y listo, es hora de explorar el siguiente paso: exportar los pesos entrenados y ejecutar inferencias en directo con una cámara web.

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

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

Exportar el modelo entrenado y ejecutar inferencias#

Con los pesos del modelo entrenado descargados de Colab, podemos cargarlos en un entorno de Python y poner en marcha nuestro modelo personalizado.

Con unas pocas líneas de código, podemos configurar un script de Python para ejecutar inferencias en directo con una cámara web, capturar vídeo en tiempo real y detectar distintos tipos de tazas. El modelo identifica tazas de diversas formas, tamaños y colores, y demuestra lo bien que se desenvuelve en situaciones reales.

Los modelos ajustados ofrecen varias ventajas. Pueden detectar, segmentar o clasificar objetos que los modelos preentrenados quizá no admitan. Además, pueden ayudar a investigadores o científicos de datos a entender cómo se comporta la arquitectura de un modelo con conjuntos de datos del mundo real.

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

Conclusiones#

Desde el entrenamiento de un modelo personalizado hasta la exportación de los pesos entrenados y la ejecución de inferencias en directo con una cámara web, hemos visto cómo Ultralytics YOLOv8 gestiona todo el flujo de trabajo.

¿Quieres probar por tu cuenta la detección personalizada de objetos? Echa un vistazo a Ultralytics Platform y a nuestra documentación para obtener más información sobre Ultralytics, y únete a nuestra comunidad para estar al día de las últimas novedades.

Si tienes curiosidad por exportar modelos Ultralytics YOLOv8 entrenados con tus propios datos y ejecutar inferencias con una cámara web, ¡mira el vídeo completo!