Esporta un modello Ultralytics YOLOv8 addestrato su dati personalizzati
Esplora il rilevamento di oggetti personalizzato con Ultralytics YOLOv8! Impara ad addestrare, esportare ed eseguire l'inferenza in tempo reale su una webcam!
Unisciti a noi per dare un'occhiata più da vicino al rilevamento di oggetti personalizzato con Ultralytics YOLOv8. In questo post del blog esploreremo l'intricato processo di addestramento di un modello personalizzato, l'esportazione dei pesi addestrati e l'esecuzione dell'inferenza in tempo reale tramite una webcam.
Addestramento di un modello personalizzato per il rilevamento di oggetti#
Nel nostro video precedente, abbiamo approfondito l'addestramento di un modello Ultralytics YOLOv8 su un dataset personalizzato di tazze in Google Colab. Abbiamo visto il grafico dell'addestramento migliorare costantemente, con la perdita in diminuzione e la precisione media media (mAP) in aumento. Sulla base di questi risultati, il nostro modello personalizzato è ora in grado di identificare con grande precisione cinque diversi tipi di tazze.
Ora che il nostro modello personalizzato è addestrato e pronto all'uso, è il momento di esplorare la frontiera successiva: esportare i pesi addestrati ed eseguire l'inferenza in tempo reale tramite una webcam.
L'inferenza di un modello è il processo di utilizzo di un modello di computer vision addestrato per effettuare previsioni o prendere decisioni sulla base di dati nuovi e mai osservati. È il momento in cui il modello utilizza i dati di input, come un'immagine, e li elabora attraverso i parametri e la struttura appresi. Il modello produce quindi un output, come una classificazione, un rilevamento o una segmentazione, in base al compito per cui è stato addestrato.
In termini pratici, l'inferenza spesso prevede la distribuzione del modello addestrato in un ambiente di produzione, dove può essere utilizzato per elaborare dati del mondo reale in scenari di elaborazione in tempo reale o batch.
Esportazione ed esecuzione dell'inferenza con il modello addestrato#
Con i pesi del modello addestrato scaricati da Colab, possiamo importarli senza problemi in un ambiente Python, pronti a liberare tutto il potenziale del nostro modello personalizzato.
Con poche righe di codice possiamo configurare uno script Python per eseguire l'inferenza in tempo reale tramite una webcam, acquisendo riprese dal vivo e rilevando diverse tazze con una precisione impressionante. La potenza di Ultralytics YOLOv8 emerge chiaramente, mentre il nostro modello identifica senza sforzo tazze di diverse forme, dimensioni e colori, dimostrando la sua versatilità e affidabilità in scenari del mondo reale.
I modelli sottoposti a fine-tuning offrono diversi vantaggi. Possono rilevare, segmentare o classificare oggetti che i modelli preaddestrati potrebbero non supportare. Inoltre, possono aiutare ricercatori o data scientist a comprendere le prestazioni dell'architettura del modello su dataset del mondo reale.
Fig. 1. Nicolai Nielsen illustra come addestrare un modello personalizzato, esportare i pesi addestrati ed eseguire l'inferenza in tempo reale tramite una webcam.
Conclusioni#
Dall'addestramento di un modello personalizzato all'esportazione dei pesi addestrati e all'esecuzione dell'inferenza in tempo reale tramite una webcam, abbiamo constatato in prima persona la potenza e la versatilità di Ultralytics YOLOv8.
Unisciti a noi nella nostra missione per sbloccare tutto il potenziale del rilevamento di oggetti personalizzato con Ultralytics YOLOv8. Insieme, plasmiamo il futuro dell'AI, un rilevamento alla volta. Dai un'occhiata a Ultralytics Platform e alla nostra documentazione per ulteriori informazioni su tutto ciò che riguarda Ultralytics, e unisciti alla nostra community per rimanere aggiornato sugli ultimi sviluppi!
Se ti interessa esportare modelli Ultralytics YOLOv8 addestrati su dati personalizzati ed eseguire l'inferenza tramite webcam, guarda il video completo: Guarda il video completo!
