Exporteer een op maat gemaakt model Ultralytics YOLOv8

Kijk met ons mee naar aangepaste objectdetectie met Ultralytics YOLOv8. In deze blogpost verkennen we het ingewikkelde proces van het trainen van een aangepast model, het exporteren van de getrainde gewichten en het uitvoeren van live inferentie op een webcam. 

Een aangepast objectdetectiemodel trainen

In onze vorige video hebben we ons verdiept in het trainen van een YOLOv8 model op een aangepaste cups dataset in Google Colab. We zagen de trainingsgrafiek gestaag verbeteren, waarbij het verlies afnam en de gemiddelde foutpositie toenam. Op basis hiervan kan ons speciale model nu zeer nauwkeurig vijf verschillende soorten kopjes identificeren.

‍

Nu ons aangepaste model getraind is en klaar voor gebruik, is het tijd om de volgende grens te verkennen - de getrainde gewichten exporteren en live inferentie uitvoeren op een webcam.

Modelinferentie is het proces waarbij een getraind computervisiemodel wordt gebruikt om voorspellingen te doen of beslissingen te nemen op basis van nieuwe, ongeziene gegevens. Het model gebruikt dan invoergegevens, zoals een afbeelding, en verwerkt deze met behulp van de parameters en structuur die het heeft geleerd. Het model produceert dan een output, zoals classificatie, detectie of segmentatie, gebaseerd op zijn trainingstaak. 

In de praktijk houdt inferentie vaak in dat het getrainde model wordt ingezet in een productieomgeving waar het kan worden gebruikt om gegevens uit de echte wereld te verwerken in realtime of batchverwerking.

Inferentie exporteren en uitvoeren met het getrainde model

Als we de getrainde modelgewichten hebben gedownload van Colab, kunnen we ze naadloos importeren in een Python omgeving, klaar om het volledige potentieel van ons aangepaste model te benutten.

Met een paar regels code kunnen we een Python script opzetten om live inferentie uit te voeren op een webcam, waarbij real-time beelden worden vastgelegd en verschillende kopjes met indrukwekkende nauwkeurigheid worden gedetecteerd. De kracht van YOLOv8 komt duidelijk naar voren als ons model moeiteloos bekers van verschillende vormen, groottes en kleuren identificeert, wat de veelzijdigheid en betrouwbaarheid in echte scenario's laat zien.

Fijngetrainde modellen bieden verschillende voordelen. Ze kunnen objecten detecteren, segmenteren of classificeren die voorgetrainde modellen mogelijk niet ondersteunen. Daarnaast kunnen ze onderzoekers of datawetenschappers helpen begrijpen hoe de modelarchitectuur presteert op echte datasets.

Inpakken

Van het trainen van een aangepast model tot het exporteren van de getrainde gewichten en het uitvoeren van live inferentie op een webcam, we hebben de kracht en veelzijdigheid van YOLOv8 met eigen ogen gezien.

Sluit je aan bij onze zoektocht om het volledige potentieel van aangepaste objectdetectie te ontsluiten met Ultralytics YOLOv8 . Laten we samen de toekomst van AI vormgeven, detectie per detectie. Kijk op Ultralytics HUB en onze documenten voor meer informatie over alles wat Ultralytics is en word lid van onze community om op de hoogte te blijven van de nieuwste ontwikkelingen! 

Als je nieuwsgierig bent naar het exporteren van aangepaste getrainde YOLOv8 modellen en het uitvoeren van inferentie op de webcam, bekijk dan hier de volledige video!