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 explorerons le processus complexe d'entraînement d'un modèle personnalisé, l'exportation des poids entraînés et l'exécution d'une inférence en direct sur une webcam.

Link to this sectionEntraînement d'un modèle de détection d'objets personnalisé#

Dans notre vidéo précédente, nous avons plongé dans le domaine de l'entraînement d'un modèle YOLOv8 sur un jeu de données de tasses personnalisé dans Google Colab. Nous avons vu le graphique d'entraînement s'améliorer régulièrement, avec une diminution de la perte et une augmentation de la précision moyenne (mAP). Sur cette base, notre modèle spécial peut désormais identifier très précisément cinq types de tasses différents.

Avec notre modèle personnalisé entraîné et prêt à l'emploi, il est temps d'explorer la prochaine étape : exporter les poids entraînés et exécuter une inférence en direct sur une webcam.

L'inférence de modèle est le processus consistant à utiliser un modèle de vision par ordinateur entraîné pour faire des prédictions ou prendre des décisions basées sur de nouvelles données inédites. C'est le moment où le modèle utilise des données d'entrée, comme une image, et les traite à travers ses paramètres et sa structure appris. Le modèle produit ensuite une sortie, telle qu'une classification, une détection ou une segmentation, basée sur 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 réelles en temps réel ou dans des scénarios de traitement par lots.

Link to this sectionExporter et exécuter une inférence avec le modèle entraîné#

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 une inférence en direct sur une webcam, capturant des images en temps réel et détectant différentes tasses avec une précision impressionnante. La puissance de YOLOv8 brille alors que notre modèle identifie sans effort des tasses de formes, de tailles et de couleurs variées, démontrant sa polyvalence et sa fiabilité dans des scénarios du monde réel.

Le réglage fin (fine-tuning) 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 se comporte sur des jeux de données réels.

Fig 1. Nicolai Nielsen expliquant comment entraîner un modèle personnalisé, exporter les poids entraînés et exécuter une inférence en direct sur une webcam.

Link to this sectionConclusion#

De l'entraînement d'un modèle personnalisé à l'exportation des poids entraînés et à l'exécution d'une inférence en direct sur une webcam, nous avons pu constater par nous-mêmes la puissance et la polyvalence de YOLOv8.

Rejoins-nous dans notre quête pour libérer 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 nos docs pour plus d'informations sur tout ce qui concerne Ultralytics, et rejoins notre communauté pour rester au courant des derniers développements !

Si tu es curieux de savoir comment exporter tes modèles YOLOv8 personnalisés et effectuer des inférences sur une webcam, regarde la vidéo complète Watch the full video !