カスタム学習させたUltralytics YOLOv8モデルのエクスポート

Ultralytics YOLOv8を使ったカスタムオブジェクト検出について詳しく見ていきましょう。このブログ記事では、カスタムモデルのトレーニング、学習済みウェイトのエクスポート、ウェブカメラでのライブ推論の実行という複雑なプロセスについて解説します。 

カスタム物体検出モデルの学習

前回のビデオでは、Google Colabでカスタムカップデータセットを使用してYOLOv8モデルをトレーニングする領域を詳しく調べました。損失が減少し、平均誤差位置が増加し、トレーニンググラフが着実に改善していることがわかりました。これに基づいて、当社の特別なモデルは、5つの異なるタイプのカップを非常に正確に識別できるようになりました。

‍

カスタムモデルのトレーニングが完了し、準備が整ったので、次はトレーニング済みの重みをエクスポートし、ウェブカメラでライブ推論を実行するという、次のフロンティアを探求します。

モデル推論とは、トレーニング済みのコンピュータビジョンモデルを使用して、新しい、未知のデータに基づいて予測または意思決定を行うプロセスです。モデルが画像などの入力データを使用し、学習したパラメータと構造を通して処理を行う段階です。その後、モデルはトレーニングタスクに基づいて、分類、検出、またはセグメンテーションなどの出力を生成します。 

実際的な意味では、推論には、トレーニング済みのモデルを本番環境にデプロイして、リアルタイムまたはバッチ処理のシナリオで実際のデータを処理するために使用することが含まれます。

トレーニング済みモデルのエクスポートと推論の実行

Colabからダウンロードしたトレーニング済みのモデルウェイトを使用すると、それらをPython環境にシームレスにインポートして、カスタムモデルの潜在能力を最大限に引き出す準備ができます。

数行のコードを使用するだけで、Webカメラでライブ推論を実行するためのPythonスクリプトを設定し、リアルタイムの映像をキャプチャして、さまざまなカップを驚くほどの精度で検出できます。YOLOv8のパワーは、当社のモデルがさまざまな形、サイズ、色のカップを難なく識別し、現実のシナリオにおけるその多様性と信頼性を示すことで発揮されます。

モデルの微調整には、いくつかの利点があります。事前学習済みモデルがサポートしていないオブジェクトを検出、セグメント化、または分類できます。さらに、研究者やデータサイエンティストが、モデルアーキテクチャが実際のデータセットでどのように機能するかを理解するのに役立ちます。

まとめ

カスタムモデルのトレーニングから、トレーニング済みの重みのエクスポート、Webカメラでのライブ推論の実行まで、YOLOv8 のパワーと汎用性を直接確認しました。

Ultralytics YOLOv8によるカスタムオブジェクト検出の可能性を最大限に引き出すための探求にご参加ください。AIの未来を共に形作りましょう。Ultralyticsに関する詳細については、Ultralytics HUBとドキュメントをご覧ください。また、最新の開発状況については、コミュニティにご参加ください。 

カスタム学習させたYOLOv8モデルのエクスポートや、ウェブカメラでの推論実行にご興味がある方は、こちらで動画をご覧ください！