사용자 정의 학습된 Ultralytics YOLOv8 모델 내보내기

Ultralytics YOLOv8을 이용한 맞춤형 객체 탐지에 대해 자세히 알아보겠습니다. 본 블로그 게시물에서는 맞춤형 모델 훈련, 훈련된 가중치 내보내기, 웹캠에서 실시간 추론 실행 등 복잡한 과정을 살펴봅니다. 

맞춤형 객체 탐지 모델 훈련

이전 비디오에서는 Google Colab에서 사용자 지정 컵 데이터 세트에 대해 YOLOv8 모델을 학습하는 영역을 자세히 살펴보았습니다. 손실이 감소하고 평균 오류 위치가 증가하면서 학습 그래프가 꾸준히 향상되는 것을 확인했습니다. 이를 바탕으로 당사의 특수 모델은 이제 5가지 유형의 컵을 매우 정확하게 식별할 수 있습니다.

‍

사용자 정의 모델을 훈련하고 사용할 준비가 되었으므로 다음 단계인 훈련된 가중치를 내보내고 웹캠에서 라이브 추론을 실행하는 것을 살펴볼 차례입니다.

모델 추론은 학습된 컴퓨터 비전 모델을 사용하여 새로운 미지의 데이터를 기반으로 예측하거나 결정을 내리는 프로세스입니다. 모델이 이미지와 같은 입력 데이터를 사용하고 학습된 파라미터와 구조를 통해 처리하는 경우입니다. 그런 다음 모델은 학습 작업에 따라 분류, 감지 또는 분할과 같은 출력을 생성합니다. 

실질적인 측면에서 추론은 종종 훈련된 모델을 실제 데이터를 실시간 또는 일괄 처리 시나리오에서 처리하는 데 사용할 수 있는 프로덕션 환경에 배포하는 것을 포함합니다.

학습된 모델로 내보내고 추론 실행

Colab에서 다운로드한 훈련된 모델 가중치를 Python 환경으로 원활하게 가져와 사용자 정의 모델의 잠재력을 최대한 활용할 수 있습니다.

몇 줄의 코드를 사용하여 웹캠에서 실시간 추론을 실행하는 Python 스크립트를 설정하여 실시간 영상을 캡처하고 다양한 컵을 놀라운 정확도로 감지할 수 있습니다. YOLOv8의 강력한 성능은 다양한 모양, 크기 및 색상의 컵을 손쉽게 식별하여 실제 시나리오에서 다재다능함과 신뢰성을 입증합니다.

모델 미세 조정은 여러 가지 이점을 제공합니다. 사전 훈련된 모델이 지원하지 않을 수 있는 객체를 감지, 분할 또는 분류할 수 있습니다. 또한 연구원이나 데이터 과학자가 실제 데이터 세트에서 모델 아키텍처가 어떻게 작동하는지 이해하는 데 도움이 될 수 있습니다.

마무리

맞춤형 모델 학습에서 학습된 가중치 내보내기, 웹캠에서 라이브 추론 실행에 이르기까지 YOLOv8의 강력함과 다재다능함을 직접 확인했습니다.

Ultralytics YOLOv8을 통해 맞춤형 객체 탐지의 잠재력을 최대한 활용하기 위한 여정에 함께 하십시오. 함께 AI의 미래를 만들어 갑시다. Ultralytics HUB와 문서를 확인하여 Ultralytics에 대한 자세한 정보를 얻고 커뮤니티에 가입하여 최신 개발 소식을 받아보세요! 

사용자 지정 훈련된 YOLOv8 모델을 내보내고 웹캠에서 추론을 실행하는 방법에 대해 궁금하시다면 여기에서 전체 비디오를 시청하십시오!