Exportar um modelo Ultralytics YOLOv8 treinado de forma personalizada

Junte-se a nós para vermos mais de perto a deteção de objectos personalizados com o Ultralytics YOLOv8. Neste blogpost, exploraremos o intrincado processo de treinamento de um modelo personalizado, exportando os pesos treinados e executando a inferência ao vivo em uma webcam. 

Treinando um modelo de detecção de objetos personalizado

No nosso vídeo anterior, mergulhámos no domínio do treino de um modelo YOLOv8 num conjunto de dados personalizado de copos no Google Colab. Vimos o gráfico de treino a melhorar de forma constante, com a perda a diminuir e a posição de erro médio a aumentar. Com base nisto, o nosso modelo especial consegue agora identificar cinco tipos diferentes de chávenas com muita precisão.

‍

Com nosso modelo personalizado treinado e pronto para uso, é hora de explorar a próxima fronteira: exportar os pesos treinados e executar a inferência ao vivo em uma webcam.

A inferência de modelo é o processo de usar um modelo de visão computacional treinado para fazer previsões ou tomar decisões com base em dados novos e não vistos. É quando o modelo usa dados de entrada, como uma imagem, e os processa através de seus parâmetros e estrutura aprendidos. O modelo então produz uma saída, como classificação, detecção ou segmentação, com base em sua tarefa de treinamento. 

Em termos práticos, a inferência geralmente envolve a implantação do modelo treinado em um ambiente de produção, onde ele pode ser usado para processar dados do mundo real em tempo real ou em cenários de processamento em lote.

Exportando e executando a inferência com o modelo treinado

Com os pesos do modelo treinado descarregados do Colab, podemos importá-los sem problemas para um ambiente Python , prontos para libertar todo o potencial do nosso modelo personalizado.

Utilizando algumas linhas de código, podemos configurar um script Python para executar a inferência em direto numa webcam, capturando imagens em tempo real e detectando diferentes chávenas com uma precisão impressionante. O poder do YOLOv8 é visível quando o nosso modelo identifica sem esforço chávenas de várias formas, tamanhos e cores, demonstrando a sua versatilidade e fiabilidade em cenários do mundo real.

Os modelos de afinação oferecem várias vantagens. Podem detect, segmentou classify objectos que os modelos pré-treinados podem não suportar. Além disso, podem ajudar os investigadores ou cientistas de dados a compreender o desempenho da arquitetura do modelo em conjuntos de dados do mundo real.

Concluindo

Desde o treino de um modelo personalizado até à exportação dos pesos treinados e à execução de inferência em direto numa webcam, testemunhámos em primeira mão o poder e a versatilidade do YOLOv8 .

Junte-se a nós em nossa busca para desbloquear todo o potencial da deteção de objetos personalizados com o Ultralytics YOLOv8. Juntos, vamos moldar o futuro da IA, uma deteção de cada vez. Confira o Ultralytics HUB e nossos documentos para obter mais informações sobre tudo o que é Ultralytics , além de participar da nossa comunidade para manter-se atualizado sobre os últimos desenvolvimentos! 

Se estiver curioso sobre a exportação de modelos YOLOv8 treinados personalizados e a execução de inferência na webcam, veja o vídeo completo aqui!