Exporter un modèle Ultralytics YOLOv8 entraîné sur mesure
Explore la détection d’objets personnalisée avec Ultralytics YOLOv8 ! Apprends à entraîner, exporter et exécuter une inférence en direct avec une webcam !
Rejoins-nous pour examiner de plus près la détection d’objets personnalisée avec Ultralytics YOLOv8. Dans cet article de blog, nous explorerons le processus complexe d’entraînement d’un modèle personnalisé, l’exportation des poids entraînés et l’exécution de l’inférence en direct sur une webcam.
Entraîner un modèle personnalisé de détection d’objets#
Dans notre vidéo précédente, nous avons exploré l’entraînement d’un modèle Ultralytics YOLOv8 sur un jeu de données personnalisé de gobelets dans Google Colab. Nous avons vu le graphique d’entraînement s’améliorer progressivement, avec une diminution de la perte et une augmentation de la précision moyenne (mAP). Grâce à cela, notre modèle personnalisé peut désormais identifier très précisément cinq types différents de gobelets.
Maintenant que notre modèle personnalisé est entraîné et prêt à l’emploi, il est temps d’explorer la prochaine étape : exporter les poids entraînés et exécuter l’inférence en direct sur une webcam.
L’inférence d’un modèle est le processus qui consiste à utiliser un modèle de vision par ordinateur entraîné pour effectuer des prédictions ou prendre des décisions à partir de nouvelles données inédites. C’est à ce moment que le modèle utilise des données d’entrée, comme une image, et les traite à l’aide de ses paramètres et de sa structure appris. Le modèle produit ensuite une sortie, comme une classification, une détection ou une segmentation, en fonction de sa tâche d’entraînement.
En pratique, l’inférence implique souvent de déployer le modèle entraîné dans un environnement de production, où il peut être utilisé pour traiter des données du monde réel en temps réel ou dans le cadre de traitements par lots.
Exporter le modèle entraîné et exécuter l’inférence#
Une fois les poids du modèle entraîné téléchargés depuis Colab, nous pouvons les importer facilement dans un environnement Python, prêts à libérer tout le potentiel de notre modèle personnalisé.
À l’aide de 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 remarquable. La puissance d’Ultralytics YOLOv8 se manifeste pleinement tandis que notre modèle identifie sans effort des gobelets de formes, de tailles et de couleurs variées, démontrant sa polyvalence et sa fiabilité dans des scénarios du monde réel.
L’affinage des modèles offre plusieurs avantages. Ils peuvent détecter, segmenter ou classifier des objets que les modèles préentraînés ne prennent pas nécessairement en charge. De plus, ils peuvent aider les chercheurs ou les data scientists à comprendre les performances de l’architecture du 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 sur 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 sur une webcam, nous avons pu constater par nous-mêmes la puissance et la polyvalence d’Ultralytics YOLOv8.
Rejoins-nous dans notre quête pour exploiter tout le potentiel de la détection d’objets personnalisée avec Ultralytics YOLOv8. Ensemble, façonnons l’avenir de l’IA, une détection à la fois. Consulte Ultralytics Platform et notre documentation pour plus d’informations sur tout ce qui concerne Ultralytics, et rejoins notre communauté pour rester au fait des dernières évolutions !
Si tu souhaites en savoir plus sur l’exportation de modèles Ultralytics YOLOv8 entraînés sur mesure et l’exécution de l’inférence sur webcam, regarde la vidéo complète Regarder la vidéo complète !
