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

Ultralytics YOLOv8によるカスタムオブジェクト検出について、詳しく解説します。本ブログ記事では、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、そしてWebカメラでのライブ推論を実行する一連の流れを探索します。

Link to this sectionカスタムオブジェクト検出モデルのトレーニング#

前回の動画では、Google Colab上でカスタムの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方法を掘り下げました。トレーニンググラフは着実に改善し、損失は減少し、mAP（平均適合率）は向上しました。これにより、この特別なモデルは現在、5種類の異なるカップを非常に正確に識別できるようになっています。

カスタムモデルのトレーニングが完了し、準備が整いました。次は、学習済みウェイトのエクスポートとWebカメラでのライブ推論の実行という次の段階に進みます。

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や判断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、学習済みのパラメータと構造を通じて処理を行います。その後、モデルはタスクに応じて、分類、検出、セグメンテーションなどの出力結果を生成します。

実践的な観点では、推論は多くの場合、トレーニング済みモデルを本番環境にデプロイし、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されます。

Link to this section学習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ウェイトをPython環境にシームレスにインポートすることで、カスタムモデルの潜在能力を最大限に引き出す準備が整いました。

わずか数行のコードでPythonスクリプトをセットアップし、Webカメラでライブ推論を実行してリアルタイム映像を取り込み、さまざまなカップを驚くべき精度で検出できます。YOLOv8の性能は際立っており、形状、サイズ、色が異なるカップをモデルが難なく識別することで、実世界での汎用性と信頼性を実証しています。

モデルのファインチューニングには多くの利点があります。事前学習済みモデルではサポートされていないオブジェクトを検出、セグメンテーション、または分類することが可能です。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現実のデータセットに対してどのようなパフォーマンスを発揮するかを理解するのに役立ちます。

図1. Nicolai Nielsenによる、カスタムモデルのトレーニング方法、学習済みウェイトのエクスポート、およびWebカメラでのライブ推論実行の解説。

Link to this sectionまとめ#

カスタムモデルのトレーニングから学習済みウェイトのエクスポート、そしてWebカメラでのライブ推論の実行に至るまで、私たちはYOLOv8の力と汎用性を直接目の当たりにしました。

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に、ぜひ私たちと一緒に取り組みましょう。共にAIの未来を形作っていきましょう。詳細についてはUltralytics Platformとdocsを確認し、また私たちのcommunityに参加して最新の開発状況を常に把握してください！

カスタムトレーニングしたYOLOv8モデルのエクスポート方法や、Webカメラで推論を実行する方法に興味がある場合は、動画の全編をご覧ください！