Explorez la détection d'objets personnalisée avec Ultralytics YOLOv8 ! Apprenez à entraîner, exporter et exécuter l'inférence en direct sur une webcam !
Joignez-vous à nous pour examiner de plus près la détection d’objets personnalisés avec Ultralytics YOLOv8. Dans cet article de blogue, nous explorerons le processus complexe de formation d’un modèle personnalisé, d’exportation des poids formés et d’exécution de l’inférence en direct sur une webcam.
Dans notre précédente vidéo, nous avons exploré le domaine de l'entraînement d'un modèle YOLOv8 sur un jeu de données personnalisé de tasses dans Google Colab. Nous avons vu le graphique d'entraînement s'améliorer constamment, avec la diminution de la perte et l'augmentation de la position moyenne de l'erreur. Sur cette base, notre modèle spécial peut maintenant identifier cinq types différents de tasses avec une grande précision.
Maintenant que notre modèle personnalisé est entraîné et prêt à fonctionner, il est temps d'explorer la prochaine étape : l'exportation des poids entraînés et l'exécution de l'inférence en direct sur une webcam.
L'inférence de modèle est le processus d'utilisation d'un modèle de vision par ordinateur entraîné pour faire des prédictions ou prendre des décisions basées sur de nouvelles données non vues. C'est le moment où le modèle utilise des données d'entrée, telles qu'une image, et les traite à travers ses paramètres et sa structure appris. Le modèle produit alors une sortie, telle que la classification, la détection ou la segmentation, en fonction de sa tâche d'entraînement.
En termes pratiques, l'inférence implique souvent le déploiement du modèle entraîné dans un environnement de production où il peut être utilisé pour traiter des données du monde réel en temps réel ou dans des scénarios de traitement par lots.
Avec les poids du modèle entraîné téléchargés depuis Colab, nous pouvons les importer de manière transparente dans un environnement Python, prêts à libérer tout le potentiel de notre modèle personnalisé.
En utilisant quelques lignes de code, nous pouvons configurer un script Python pour exécuter l'inférence en direct sur une webcam, capturer des images en temps réel et détecter différents gobelets avec une précision impressionnante. La puissance de YOLOv8 transparaît lorsque notre modèle identifie sans effort des gobelets de différentes formes, tailles et couleurs, démontrant ainsi sa polyvalence et sa fiabilité dans des scénarios réels.
L'affinage des modèles offre plusieurs avantages. Ils peuvent détecter, segmenter ou classifier des objets que les modèles pré-entraînés peuvent ne pas prendre en charge. De plus, ils peuvent aider les chercheurs ou les data scientists à comprendre comment l'architecture du modèle fonctionne sur des jeux de données réels.
De l'entraînement d'un modèle personnalisé à l'exportation des poids entraînés et à l'exécution de l'inférence en direct sur une webcam, nous avons été témoins de la puissance et de la polyvalence de YOLOv8 de première main.
Joignez-vous à nous dans notre quête pour libérer tout le potentiel de la détection d’objets personnalisés avec Ultralytics YOLOv8. Ensemble, façonnons l’avenir de l’IA, une détection à la fois. Consultez Ultralytics HUB et notre documentation pour obtenir de plus amples renseignements sur tout ce qui concerne Ultralytics, et joignez-vous à notre communauté pour vous tenir au courant des derniers développements !
Si vous souhaitez en savoir plus sur l'exportation de modèles YOLOv8 entraînés sur mesure et l'exécution d'inférences sur webcam, regardez la vidéo complète ici!
.webp)