カスタムトレーニングされたUltralytics YOLOv8モデルをエクスポートする

Ultralytics YOLOv8でカスタムオブジェクト検出を詳しく見ていきましょう。このブログポストでは、カスタムモデルをトレーニングし、トレーニングした重みをエクスポートし、ウェブカメラ上でライブ推論を実行する複雑なプロセスを探ります。 

カスタムオブジェクト検出モデルのトレーニング

前回のビデオでは、Google Colabのカスタム・カップ・データセットでYOLOv8モデルを トレーニングする領域を掘り下げてみた。トレーニングのグラフは着実に改善され、損失は減少し、平均エラー位置は増加しているのがわかりました。これに基づいて、私たちの特別なモデルは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、次のフロンティアを探検する時が来た。

モデル推論とは、学習された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決定を行うプロセスである。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することである。その後、モデルは学習課題に基づいて、分類、検出、セグメンテーションなどの出力を生成する。 

実際的には、学習したモデルを実稼働環境に導入し、リアルタイムまたはバッチ処理のシナリオで実世界のデータ処理に使用することが多い。

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重みをPython環境にシームレスにインポートし、カスタムモデルの可能性を最大限に引き出す準備ができる。

数行のコードを使うだけで、Pythonスクリプトをセットアップして、ウェブカメラ上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、さまざまなカップを驚くほどの精度で検出することができます。YOLOv8のパワーは、私たちのモデルが様々な形、大きさ、色のカップを難なく識別することで発揮され、実世界のシナリオにおけるYOLOv8の多用途性と信頼性を示しています。

微調整モデルにはいくつかの利点がある。事前に訓練されたモデルでは対応できないようなオブジェクトの 検出、 セグメンテーション、 分類を行うことができる。さらに、研究者やデータサイエンティストが、実世界のデータセットでモデルアーキテクチャーが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、トレーニングされた重みのエクスポート、ウェブカメラ上でのライブ推論の実行まで、YOLOv8のパワーと多様性を目の当たりにしました。

Ultralytics YOLOv8で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探求に参加しませんか。一緒に、AIの未来を一度に一つの検出で形作りましょう。 Ultralytics HUBやUltralyticsの ドキュメントをご覧いただき、Ultralyticsの最新情報をご確認ください ！ 

カスタムトレーニングされたYOLOv8モデルのエクスポートとウェブカメラでの推論実行に興味がある方は、こちらのビデオをご覧ください！