Esporta un modello Ultralytics YOLOv8 addestrato su dati personalizzati

Unisciti a noi per approfondire il rilevamento personalizzato degli oggetti con Ultralytics YOLOv8. In questo post del blog esploreremo il processo di addestramento di un modello personalizzato, l'esportazione dei pesi addestrati e l'esecuzione dell'inferenza dal vivo con una webcam.

Addestramento di un modello personalizzato per il rilevamento degli oggetti#

Nel video precedente abbiamo illustrato come addestrare un modello Ultralytics YOLOv8 su un dataset personalizzato in Google Colab, usando un dataset di tazze. Abbiamo visto il grafico di addestramento migliorare costantemente, con la diminuzione della loss e l'aumento della precisione media media (mAP). Di conseguenza, il nostro modello personalizzato è ora in grado di identificare con grande precisione cinque tipi diversi di tazze.

Ora che il nostro modello personalizzato è addestrato e pronto, è il momento di esplorare il passaggio successivo: esportare i pesi addestrati ed eseguire l'inferenza dal vivo con una webcam.

L'inferenza del modello è il processo di utilizzo di un modello di visione artificiale addestrato per fare previsioni o prendere decisioni sulla base di nuovi dati mai visti prima. In questa fase, il modello usa dati in ingresso, come un'immagine, e li elabora tramite i parametri e la struttura appresi. In base all'attività per cui è stato addestrato, il modello produce quindi un output, come una classificazione, un rilevamento o una segmentazione.

In pratica, l'inferenza comporta spesso la distribuzione del modello addestrato in un ambiente di produzione, dove può essere usato per elaborare dati del mondo reale in tempo reale o in modalità batch.

Esportare il modello addestrato ed eseguirne l'inferenza#

Dopo aver scaricato da Colab i pesi del modello addestrato, possiamo caricarli in un ambiente Python e mettere al lavoro il nostro modello personalizzato.

Con poche righe di codice possiamo configurare uno script Python per eseguire l'inferenza dal vivo con una webcam, acquisendo filmati in tempo reale e rilevando tazze diverse. Il modello identifica tazze di varie forme, dimensioni e colori, dimostrando quanto sappia gestire gli scenari del mondo reale.

I modelli perfezionati offrono diversi vantaggi. Possono rilevare, segmentare o classificare oggetti che potrebbero non essere supportati dai modelli preaddestrati. Inoltre, possono aiutare ricercatori e data scientist a capire come si comporta l'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 dal vivo con una webcam.

In conclusione#

Dall'addestramento di un modello personalizzato all'esportazione dei pesi addestrati e all'esecuzione dell'inferenza dal vivo con una webcam, abbiamo visto come Ultralytics YOLOv8 gestisca l'intero flusso di lavoro.

Vuoi provare a rilevare oggetti personalizzati? Scopri Ultralytics Platform e la nostra documentazione per saperne di più su tutto ciò che riguarda Ultralytics, e unisciti alla nostra community per restare aggiornato sugli ultimi sviluppi!

Se ti interessa scoprire come esportare modelli Ultralytics YOLOv8 addestrati su dati personalizzati ed eseguire inferenze con una webcam, guarda il video completo!