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

Ultralytics YOLOv8によるカスタム物体検出について、詳しく見ていきましょう。このブログ記事では、カスタムモデルの学習、学習済み重みのエクスポート、Webカメラでのライブ推論の実行という複雑なプロセスを解説します。

カスタム物体検出モデルの学習#

前回の動画では、Google Colabでカスタムのカップデータセットを使用してUltralytics YOLOv8モデルを学習する方法を詳しく解説しました。学習グラフが着実に改善し、損失が減少する一方で平均適合率（mAP）が向上していく様子を確認しました。これにより、この専用モデルは5種類の異なる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て使用できる状態になったので、次の段階として、学習済み重みをエクスポートし、Webカメラでライブ推論を実行してみましょう。

モデル推論とは、学習済みのコンピュータビジョンモデルを使用して、未知の新しいデータに基づく予測や判断を行うプロセスです。これは、モデルが画像などの入力データを受け取り、学習したパラメーターと構造を通じて処理する段階です。その後、モデルは学習タスクに基づいて、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、現実世界のデータをリアルタイムまたはバッチ処理のシナリオで処理できるようにすることが一般的です。

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、カスタムモデルの性能を最大限に引き出す準備を整えます。

数行のコードを使ってPythonスクリプトを設定すると、Webカメラでライブ推論を実行し、リアルタイム映像を取得しながらさまざまなカップを高い精度で検出できます。Ultralytics YOLOv8の威力は、さまざまな形状、サイズ、色のカップをモデルが難なく識別することで発揮され、現実世界のシナリオにおける汎用性と信頼性を示します。

モデルのファインチューニングには、いくつかのメリットがあります。事前学習済みモデルでは対応できない物体を検出、セグメント、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現実世界のデータセット上でどのように機能するかを理解する際にも役立ちます。

図1. カスタムモデルの学習方法、学習済み重みのエクスポート、Webカメラでのライブ推論の実行について説明するNicolai Nielsen。

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、Webカメラでのライブ推論の実行まで、Ultralytics YOLOv8の力と汎用性を実際に確認しました。

Ultralytics YOLOv8によるカスタム物体検出の可能性を最大限に引き出す取り組みに、ぜひご参加ください。検出を一つずつ積み重ねながら、AIの未来をともに形作っていきましょう。Ultralyticsに関するあらゆる情報の詳細は、Ultralytics Platformとドキュメントをご覧ください。また、最新の開発状況を把握するには、コミュニティにもご参加ください。

カスタム学習済み Ultralytics YOLOv8モデルのエクスポートとWebカメラでの推論の実行に関心がある方は、完全版動画をご覧ください。完全版動画を見る！