Exportar um modelo Ultralytics YOLOv8 treinado de forma personalizada

Junte-se a nós enquanto analisamos mais de perto a detecção de objetos personalizada com Ultralytics YOLOv8. Neste artigo do blog, exploraremos o intrincado processo de treinar um modelo personalizado, exportar os pesos treinados e executar a inferência ao vivo em uma webcam. 

Treinando um modelo de detecção de objetos personalizado

Em nosso vídeo anterior, mergulhamos no reino do treinamento de um modelo YOLOv8 em um conjunto de dados de copos personalizado no Google Colab. Vimos o gráfico de treinamento melhorando constantemente, com a perda diminuindo e a posição média do erro aumentando. Com base nisso, nosso modelo especial agora pode identificar cinco tipos diferentes de copos 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 baixados do Colab, podemos importá-los perfeitamente para um ambiente Python, prontos para liberar todo o potencial de nosso modelo personalizado.

Usando algumas linhas de código, podemos configurar um script Python para executar inferência ao vivo em uma webcam, capturando imagens em tempo real e detectando diferentes copos com impressionante precisão. O poder do YOLOv8 se destaca à medida que nosso modelo identifica sem esforço copos de várias formas, tamanhos e cores, mostrando sua versatilidade e confiabilidade em cenários do mundo real.

O ajuste fino de modelos oferece vários benefícios. Eles podem detectar, segmentar ou classificar objetos que modelos pré-treinados podem não suportar. Além disso, eles podem ajudar pesquisadores ou cientistas de dados a entender como a arquitetura do modelo se comporta em conjuntos de dados do mundo real.

Concluindo

Desde o treinamento de um modelo personalizado até a exportação dos pesos treinados e a execução da inferência ao vivo em uma webcam, testemunhamos o poder e a versatilidade do YOLOv8 em primeira mão.

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

Se você tem curiosidade sobre como exportar modelos YOLOv8 treinados de forma personalizada e executar inferência na webcam, assista ao vídeo completo aqui!