사용자 지정 학습된 Ultralytics YOLOv8 모델 내보내기

Ultralytics YOLOv8을 사용한 사용자 지정 객체 감지에 대해 자세히 살펴보세요. 이 블로그 게시물에서는 사용자 지정 모델을 학습하고, 학습된 가중치를 내보내고, 웹캠에서 실시간 추론을 실행하는 복잡한 프로세스를 살펴봅니다. 

사용자 지정 객체 감지 모델 학습

이전 동영상에서는 Google Colab의 맞춤형 컵 데이터 세트에서 YOLOv8 모델을 훈련하는 방법을 살펴봤습니다. 손실은 감소하고 평균 오류 위치는 증가하는 등 학습 그래프가 꾸준히 개선되는 것을 확인할 수 있었습니다. 이를 바탕으로 특수 모델은 이제 5가지 유형의 컵을 매우 정확하게 식별할 수 있게 되었습니다.

‍

사용자 지정 모델을 학습하고 사용할 준비가 되었으면 이제 학습된 가중치를 내보내고 웹캠에서 실시간 추론을 실행하는 다음 단계로 넘어갈 차례입니다.

모델 추론은 훈련된 컴퓨터 비전 모델을 사용하여 보이지 않는 새로운 데이터를 기반으로 예측 또는 결정을 내리는 프로세스입니다. 모델이 이미지와 같은 입력 데이터를 사용하여 학습된 매개변수와 구조를 통해 처리하는 것입니다. 그런 다음 모델은 학습 작업에 따라 분류, 감지 또는 세분화와 같은 출력을 생성합니다. 

실제로 추론은 훈련된 모델을 프로덕션 환경에 배포하여 실시간 또는 일괄 처리 시나리오에서 실제 데이터를 처리하는 데 사용할 수 있도록 하는 경우가 많습니다.

학습된 모델을 사용하여 추론 내보내기 및 실행하기

Colab에서 학습된 모델 가중치를 다운로드하면 이를 Python 환경으로 원활하게 가져와서 사용자 지정 모델의 잠재력을 최대한 발휘할 수 있습니다.

몇 줄의 코드만으로 웹캠에서 실시간 추론을 실행하는 Python 스크립트를 설정하여 실시간 영상을 캡처하고 다양한 컵을 인상적인 정확도로 감지할 수 있습니다. 다양한 모양, 크기, 색상의 컵을 손쉽게 식별하는 YOLOv8의 성능은 실제 시나리오에서 그 다재다능함과 신뢰성을 보여줍니다.

모델을 미세 조정하면 몇 가지 이점이 있습니다. 사전 학습된 모델이 지원하지 않을 수 있는 개체를 감지, 세분화 또는 분류할 수 있습니다. 또한 연구자나 데이터 과학자가 실제 데이터 세트에서 모델 아키텍처가 어떻게 작동하는지 이해하는 데 도움을 줄 수 있습니다.

마무리

사용자 지정 모델 훈련부터 훈련된 가중치 내보내기, 웹캠에서 실시간 추론 실행까지, YOLOv8의 강력한 성능과 다양한 기능을 직접 확인했습니다.

Ultralytics YOLOv8을 통해 맞춤형 객체 감지의 잠재력을 최대한 활용하려는 저희의 노력에 동참하세요. 한 번에 한 가지씩 AI의 미래를 함께 만들어 갑시다. Ultralytics HUB와 문서를 통해 Ultralytics에 대한 자세한 정보를 확인하고, 커뮤니티에 가입하여 최신 개발 소식을 받아보세요! 

사용자 지정 학습된 YOLOv8 모델을 내보내고 웹캠에서 추론을 실행하는 방법이 궁금하다면 여기에서 전체 동영상을 시청하세요!