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

Ultralytics YOLOv8を使用し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、トレーニング済みウェイトのエクスポート、およびWebカメラでのリアルタイム推論を実行する複雑なプロセスについて説明します。

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上のカスタムのカップスデータセットでUltralytics YOLOv8モデルをトレーニングする領域について詳しく掘り下げました。トレーニングのグラフは着実に改善し、ロスが減少し、mean average precision (mAP)が増加しているのが確認できました。これに基づいて、私たち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。

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。

数行のコードを使用することで、Pythonスクリプトを設定してウェブカメラでライブ推論を実行し、リアルタイムの映像をキャプチャしながら、さまざまなカップを圧倒的な精度で検出し続けることができます。Ultralytics YOLOv8のパワーは、モデルがさまざまな形状、サイズ、色のカップを難なく識別することで輝きを放ち、現実世界のシナリオにおけるその汎用性と信頼性を示しています。

モデルのファインチューニングにはいくつかの利点があります。事前トレーニング済みモデルではサポートされていない可能性のある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、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研究者やデータサイエンティストが理解するのにも役立ちます。

図 1. カスタムモデルのトレーニング方法、トレーニング済みウェイトのエクスポート、およびWebカメラでのリアルタイム推論の実行について解説するNicolai Nielsen。

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に至るまで、私たちはUltralytics YOLOv8のパワー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私たちの探求にぜひご参加ください。Ultralyticsに関するすべての詳細についてさらに情報を得るには、Ultralytics Platformおよびdocsをご覧いただき、最新の開発情報を常に把握するためにcommunityにもぜひご参加ください！

カスタムトレーニングされたUltralytics YOLOv8モデルのエクスポートやウェブカメラでの推論の実行について興味がある場合は、完全な動画であるWatch the full videoをご覧ください！