Exporter un modèle Ultralytics YOLOv8 formé sur mesure

Rejoignez-nous pour un examen plus approfondi de la détection d'objets personnalisés avec Ultralytics YOLOv8. Dans ce billet de blog, nous explorerons le processus complexe de formation d'un modèle personnalisé, l'exportation des poids formés et l'exécution de l'inférence en direct sur une webcam. 

Entraînement d'un modèle personnalisé de détection d'objets

Dans notre précédente vidéo, nous nous sommes penchés sur l' entraînement d' un modèle YOLOv8 sur un ensemble de données de coupes personnalisées dans Google Colab. Nous avons vu le graphique d'entraînement s'améliorer régulièrement, la perte diminuant et la position d'erreur moyenne augmentant. Sur cette base, notre modèle spécial peut désormais identifier très précisément cinq types de gobelets différents.

‍

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.

Exporter et exécuter l'inférence avec le modèle entraîné

Une fois les poids du modèle entraînés téléchargés depuis Colab, nous pouvons les importer en toute transparence dans un environnement Python , prêts à libérer tout le potentiel de notre modèle personnalisé.

En quelques lignes de code, nous pouvons configurer un script Python pour lancer une inférence en direct sur une webcam, capturer des séquences 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 formes, de tailles et de couleurs différentes, démontrant ainsi sa polyvalence et sa fiabilité dans des scénarios réels.

Les modèles de réglage fin offrent plusieurs avantages. Ils permettent de detect, segmentou classify objets que les modèles pré-entraînés peuvent ne pas prendre en charge. En outre, ils peuvent aider les chercheurs ou les scientifiques des données à comprendre comment l'architecture du modèle fonctionne sur des ensembles de données réels.

Conclusion

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

Rejoignez-nous dans notre quête pour libérer le plein potentiel de la détection d'objets personnalisés avec Ultralytics YOLOv8. Ensemble, façonnons l'avenir de l'IA, une détection à la fois. Consultez le HUB Ultralytics et notre documentation pour plus d'informations sur tout ce qui concerne Ultralytics et rejoignez notre communauté pour vous tenir au courant des derniers développements ! 

Si vous êtes curieux de savoir comment exporter des modèles YOLOv8 formés sur mesure et comment faire de l'inférence sur une webcam, regardez la vidéo complète ici!