Exporta un modelo Ultralytics YOLOv8 entrenado a medida

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

Entrenar un modelo de detección de objetos personalizado

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 webcam.

La inferencia de modelos es el proceso de utilizar un modelo de visión por ordenador entrenado para hacer predicciones o tomar decisiones basadas en datos nuevos y no vistos. Es cuando 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 la clasificación, la detección o la segmentación, basándose en su tarea de entrenamiento. 

En términos prácticos, la inferencia a menudo implica desplegar el modelo entrenado en un entorno de producción en el que pueda utilizarse 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 Python , listos para liberar todo el potencial de nuestro modelo personalizado.

Con unas pocas líneas de código, podemos configurar un script Python para que ejecute 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 tazas de diversas formas, tamaños y colores, demostrando su versatilidad y fiabilidad en situaciones del mundo real.

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 cómo se comporta la arquitectura de los modelos en conjuntos de datos del mundo real.

Conclusión

Desde entrenar un modelo personalizado hasta exportar los pesos entrenados y ejecutar la inferencia en directo en una webcam, hemos sido testigos directos de la potencia y versatilidad de YOLOv8 .

Únete a nosotros en nuestra búsqueda para liberar todo el potencial de la detección de objetos personalizada con Ultralytics YOLOv8 . Juntos, demos forma al futuro de la IA, detección a detección. Echa un vistazo a Ultralytics HUB y a nuestros documentos 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 saber cómo exportar modelos YOLOv8 entrenados a medida y cómo ejecutar la inferencia en la webcam, ¡mira el vídeo completo aquí!