커스텀 학습 Ultralytics YOLOv8 모델 내보내기

Ultralytics YOLOv8 을(를) 활용한 커스텀 객체 검출에 대해 자세히 살펴보는 여정에 함께해 주세요. 이 블로그 포스트에서는 커스텀 모델 학습, 학습된 가중치 내보내기, 웹캠을 이용한 라이브 인포런스 실행의 복잡한 과정을 살펴봅니다.

사용자 지정 객체 탐지 모델 학습#

이전 영상에서는 Google Colab에서 커스텀 컵 데이터셋을 사용하여 Ultralytics YOLOv8 모델을 학습시키는 과정을 자세히 살펴보았습니다. 손실은 감소하고 평균 정밀도(mAP)는 증가하면서 학습 그래프가 꾸준히 향상되는 것을 확인했습니다. 이를 바탕으로 당사의 특화된 모델은 이제 5가지 서로 다른 유형의 컵을 매우 정확하게 식별할 수 있습니다.

사용자 지정 모델 학습이 완료되었으니, 이제 다음 단계인 학습된 가중치 내보내기와 웹캠을 통한 실시간 추론 실행에 대해 알아볼 차례입니다.

모델 추론은 학습된 컴퓨터 비전 모델을 사용하여 새롭고 본 적 없는 데이터에 기반한 예측이나 결정을 내리는 과정입니다. 이는 모델이 이미지와 같은 입력 데이터를 사용하여 학습된 파라미터와 구조를 통해 처리하는 단계입니다. 그 후 모델은 학습 작업에 따라 분류, 탐지 또는 세그멘테이션과 같은 출력을 생성합니다.

실무적인 측면에서 추론은 종종 학습된 모델을 프로덕션 환경에 배포하여 실시간 또는 일괄 처리 시나리오에서 실제 데이터를 처리하는 것을 포함합니다.

학습된 모델 내보내기 및 추론 실행#

Colab에서 다운로드한 학습된 모델 가중치를 사용하면 Python 환경으로 원활하게 가져와 사용자 지정 모델의 잠재력을 완전히 발휘할 준비를 마칠 수 있습니다.

몇 줄의 코드를 사용하여 웹캠에서 라이브 추론을 실행하는 Python 스크립트를 설정할 수 있으며, 실시간 영상을 캡처하고 인상적인 정확도로 다양한 컵을 감지합니다. 당사의 모델이 다양한 모양, 크기, 색상의 컵을 손쉽게 식별하여 실제 시나리오에서의 다목적성과 신뢰성을 보여주므로 Ultralytics YOLOv8의 강력함이 빛을 발합니다.

파인튜닝된 모델은 여러 가지 이점을 제공합니다. 사전 학습된 모델이 지원하지 않을 수 있는 객체를 검출, 분할 또는 분류할 수 있습니다. 또한 연구원이나 데이터 사이언티스트가 실제 데이터셋에서 모델 아키텍처가 어떻게 성능을 발휘하는지 이해하는 데 도움을 줄 수 있습니다.

그림 1. Nicolai Nielsen이 커스텀 모델 학습 방법, 학습된 가중치 내보내기, 웹캠에서의 라이브 인포런스 실행에 대해 설명하고 있습니다.

마무리하며#

커스텀 모델 학습부터 학습된 가중치 내보내기, 웹캠에서의 라이브 추론 실행에 이르기까지 Ultralytics YOLOv8의 강력함과 다목적성을 직접 목격했습니다.

Ultralytics YOLOv8을 통해 커스텀 객체 감지의 잠재력을 최대한 발휘하기 위한 여정에 동참해 주세요. 감지 하나하나로 함께 AI의 미래를 만들어 갑니다. Ultralytics와 관련된 모든 정보에 대한 자세한 내용은 Ultralytics Platform 및 docs를 확인하시고, 최신 개발 소식을 받아보려면 community에도 가입하세요!

커스텀 학습된 Ultralytics YOLOv8 모델을 내보내고 웹캠에서 추론을 실행하는 것에 대해 궁금한 점이 있다면 전체 영상을 시청하세요: Watch the full video!