Exporter un modèle Ultralytics YOLOv8 entraîné sur mesure

Rejoins-nous pour découvrir de plus près la détection d’objets personnalisée avec Ultralytics YOLOv8. Dans cet article de blog, nous allons explorer le processus d’entraînement d’un modèle personnalisé, d’exportation des poids entraînés et d’exécution de l’inférence en direct à partir d’une webcam.

Entraîner un modèle personnalisé de détection d’objets#

Dans notre vidéo précédente, nous avons expliqué comment entraîner un modèle Ultralytics YOLOv8 sur un jeu de données personnalisé dans Google Colab à l’aide d’un jeu de données de tasses. Nous avons vu le graphique d’entraînement s’améliorer régulièrement, avec une diminution de la perte et une augmentation de la précision moyenne (mAP). Notre modèle personnalisé peut donc maintenant identifier avec une grande précision cinq types de tasses différents.

Notre modèle personnalisé étant entraîné et prêt à l’emploi, il est temps d’explorer l’étape suivante : exporter les poids entraînés et exécuter l’inférence en direct à partir d’une webcam.

L’inférence de modèle consiste à utiliser un modèle de vision par ordinateur entraîné pour produire des prédictions ou prendre des décisions à partir de nouvelles données qu’il n’a jamais vues. Le modèle reçoit des données en entrée, comme une image, et les traite à l’aide de ses paramètres et de sa structure appris. Il produit ensuite une sortie, par exemple une classification, une détection ou une segmentation, en fonction de la tâche pour laquelle il a été entraîné.

En pratique, l’inférence implique souvent de déployer le modèle entraîné dans un environnement de production, où il peut traiter des données du monde réel en temps réel ou par lots.

Exporter le modèle entraîné et exécuter des inférences#

Une fois les poids du modèle entraîné téléchargés depuis Colab, nous pouvons les charger dans un environnement Python et mettre notre modèle personnalisé au travail.

Avec quelques lignes de code, nous pouvons configurer un script Python pour exécuter l’inférence en direct à partir d’une webcam, capturer des séquences en temps réel et détecter différents types de tasses. Le modèle identifie des tasses de formes, de tailles et de couleurs variées, ce qui montre sa capacité à gérer des situations réelles.

Les modèles affinés offrent plusieurs avantages. Ils peuvent détecter, segmenter ou classifier des objets que les modèles préentraînés ne prennent pas forcément en charge. Ils peuvent aussi aider les chercheurs et les scientifiques des données à comprendre les performances d’une architecture de modèle sur des jeux de données du monde réel.

Fig. 1. Nicolai Nielsen explique comment entraîner un modèle personnalisé, exporter les poids entraînés et exécuter l’inférence en direct à partir d’une webcam.

Pour conclure#

De l’entraînement d’un modèle personnalisé à l’exportation des poids entraînés et à l’exécution de l’inférence en direct à partir d’une webcam, nous avons vu comment Ultralytics YOLOv8 prend en charge l’ensemble du flux de travail.

Prêt à essayer la détection d’objets personnalisée ? Consulte Ultralytics Platform et notre documentation pour en savoir plus sur tout ce qui concerne Ultralytics, et rejoins notre communauté pour rester au courant des dernières nouveautés !

Si tu souhaites découvrir comment exporter des modèles Ultralytics YOLOv8 entraînés sur mesure et lancer l’inférence à partir d’une webcam, regarde la vidéo complète !