Esporta un modello Ultralytics YOLOv8 addestrato su misura

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 su una webcam.

Link to this sectionAddestrare un modello di rilevamento oggetti personalizzato#

Nel nostro video precedente, abbiamo approfondito il campo dell'addestramento di un modello YOLOv8 su un set di dati di tazze personalizzato in Google Colab. Abbiamo visto il grafico di addestramento migliorare costantemente, con la perdita in diminuzione e la mean average precision (mAP) in aumento. Sulla base di questo, il nostro modello speciale ora può identificare cinque diversi tipi di tazze con molta precisione.

Con il nostro modello personalizzato addestrato e pronto all'uso, è giunto il momento di esplorare la prossima frontiera: esportare i pesi addestrati ed eseguire l'inferenza in tempo reale su una webcam.

L'inferenza del modello è il processo di utilizzo di un modello di computer vision addestrato per effettuare previsioni o decisioni basate su dati nuovi e mai visti prima. È quando il modello utilizza dati di input, come un'immagine, e li elabora attraverso i suoi parametri e la sua struttura appresi. Il modello quindi produce un output, come classificazione, rilevamento o segmentazione, basato sul suo compito di addestramento.

In termini pratici, l'inferenza spesso comporta la distribuzione del modello addestrato in un ambiente di produzione dove può essere utilizzato per elaborare dati del mondo reale in scenari in tempo reale o di elaborazione batch.

Link to this sectionEsportare ed eseguire l'inferenza con il modello addestrato#

Con i pesi del modello addestrato scaricati da Colab, possiamo importarli senza problemi in un ambiente Python, pronti a scatenare tutto il potenziale del nostro modello personalizzato.

Utilizzando poche righe di codice, possiamo configurare uno script Python per eseguire l'inferenza in tempo reale su una webcam, catturando filmati in diretta e rilevando diverse tazze con una precisione impressionante. La potenza di YOLOv8 emerge quando il nostro modello identifica senza sforzo tazze di varie forme, dimensioni e colori, dimostrando la sua versatilità e affidabilità in scenari del mondo reale.

Il fine-tuning dei modelli offre diversi vantaggi. Possono rilevare, segmentare o classificare oggetti che i modelli pre-addestrati potrebbero non supportare. Inoltre, possono aiutare i ricercatori o i data scientist a comprendere come l'architettura del modello si comporta su set di dati del mondo reale.

Fig 1. Nicolai Nielsen delinea come addestrare un modello personalizzato, esportare i pesi addestrati ed eseguire l'inferenza in tempo reale su una webcam.

Link to this sectionIn conclusione#

Dall'addestramento di un modello personalizzato all'esportazione dei pesi addestrati e all'esecuzione dell'inferenza in tempo reale su una webcam, abbiamo testimoniato in prima persona la potenza e la versatilità di YOLOv8.

Unisciti a noi nella nostra missione per sbloccare tutto il potenziale del rilevamento di oggetti personalizzato con Ultralytics YOLOv8. Insieme, diamo forma al futuro dell'IA un rilevamento alla volta. Dai un'occhiata a Ultralytics Platform e alla nostra documentazione per ulteriori informazioni su tutto ciò che riguarda Ultralytics, oltre a unirti alla nostra community per rimanere aggiornato sugli ultimi sviluppi!

Se sei curioso di esportare modelli YOLOv8 addestrati su misura ed eseguire l'inferenza su webcam, guarda il video completo Watch the full video!