カスタム学習済みUltralytics YOLOv8モデルをエクスポートする

Ultralytics YOLOv8を使ったカスタム物体検出を詳しく見ていきましょう。このブログ記事では、カスタムモデルの学習、学習済み重みのエクスポート、ウェブカメラでのライブ推論の実行手順を解説します。

カスタム物体検出モデルのトレーニング#

前回の動画では、カップのデータセットを使ってGoogle Colabでカスタムデータセットを用いたUltralytics YOLOv8モデルの学習を行いました。損失が減少し、平均適合率（mAP）が上昇するなど、学習グラフが着実に改善する様子を確認しました。これにより、カスタムモデルは5種類のカップを非常に高い精度で識別できるようになりました。

カスタムモデルの学習が完了し、すぐに使える状態になったので、次のステップとして、学習済み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します。

モデル推論とは、学習済みコンピュータービジョンモデルを使って、新しい未確認データに基づく予測や判断を行うプロセスです。画像などの入力データをモデルが受け取り、学習したパラメーターと構造を通じて処理します。その後、学習タスクに応じて分類、検出、セグメンテーションなどの出力を生成します。

実際には、推論では学習済みモデルを本番環境にデプロイし、実世界のデータをリアルタイムまたはバッチ処理で処理できるようにすることがよくあります。

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学習済みモデルの重みをPython環境に読み込み、カスタムモデルを活用できます。

数行のコードで、ウェブカメラ映像をリアルタイムに取り込み、さまざまなカップを検出するライブ推論用のPythonスクリプトを設定できます。モデルは形、サイズ、色の異なるカップを識別し、実世界の状況で高い性能を発揮することを示します。

ファインチューニング済みモデルには、いくつかの利点があります。事前学習済みモデルでは対応できない物体の検出、セグメント化、分類が可能です。また、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の実世界のデータセットにおける性能を理解する際にも役立ちます。

図1. Nicolai Nielsenが、カスタムモデルの学習、学習済み重みのエクスポート、ウェブカメラでのライブ推論の実行方法を説明しています。

まとめ#

カスタムモデルの学習から、学習済み重みのエクスポート、ウェブカメラでのライブ推論の実行まで、Ultralytics YOLOv8がワークフロー全体に対応することを確認しました。

カスタム物体検出を試してみませんか？Ultralytics PlatformとドキュメントでUltralyticsに関する詳細を確認し、コミュニティに参加して最新情報を入手してください。

カスタム学習したUltralytics YOLOv8モデルのエクスポート方法や、ウェブカメラで推論を実行する方法に興味がある方は、動画全編をご覧ください！