Exporte um modelo Ultralytics YOLOv8 treinado de forma personalizada

Junta-te a nós enquanto analisamos de perto a deteção de objetos personalizada com o Ultralytics YOLOv8. Nesta publicação do blogue, vamos explorar o processo intrincado de treinar um modelo personalizado, exportar os pesos treinados e executar inferência em direto numa webcam.

Treinar um modelo de deteção de objetos personalizado#

No nosso vídeo anterior, mergulhamos no reino de treinar um modelo Ultralytics YOLOv8 num conjunto de dados de copos personalizado no Google Colab. Vimos o gráfico de treino a melhorar constantemente, com a perda a diminuir e a precisão média média (mAP) a aumentar. Com base nisto, o nosso modelo especial consegue agora identificar cinco tipos diferentes de copos com muita precisão.

Com o nosso modelo personalizado treinado e pronto a utilizar, está na hora de explorar a próxima fronteira — exportar os pesos treinados e executar inferência em tempo real através de uma webcam.

A inferência de modelos é o processo de utilizar um modelo de visão computacional treinado para fazer previsões ou decisões com base em dados novos e nunca vistos. É o momento em que o modelo utiliza dados de entrada, como uma imagem, e os processa através dos seus parâmetros e estrutura aprendidos. O modelo produz então um resultado, como classificação, deteção ou segmentação, com base na sua tarefa de treino.

Em termos práticos, a inferência envolve frequentemente a implementação do modelo treinado num ambiente de produção onde possa ser utilizado para processar dados do mundo real em cenários de tempo real ou de processamento em lote.

Exportar e executar inferência com o modelo treinado#

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

Usando algumas linhas de código, podemos configurar um script em Python para executar inferência em direto numa webcam, capturando imagens em tempo real e detetando diferentes copos com uma precisão impressionante. O poder do Ultralytics YOLOv8 sobressai à medida que o nosso modelo identifica sem esforço copos de vários formatos, tamanhos e cores, demonstrando a sua versatilidade e fiabilidade em cenários do mundo real.

A adaptação fina de modelos oferece várias vantagens. Podem detetar, segmentar ou classificar objetos que os modelos pré-treinados possam não suportar. Além disso, podem ajudar investigadores ou cientistas de dados a compreender o desempenho da arquitetura de modelos em conjuntos de dados do mundo real.

Fig 1. Nicolai Nielsen a delinear como treinar um modelo personalizado, exportar os pesos treinados e executar inferência em direto numa webcam.

Conclusão#

Desde treinar um modelo personalizado até exportar os pesos treinados e executar inferência em direto numa webcam, testemunhámos em primeira mão o poder e a versatilidade do Ultralytics YOLOv8.

Junta-te a nós na nossa missão de desbloquear todo o potencial da deteção de objetos personalizada com o Ultralytics YOLOv8. Juntos, vamos dar forma ao futuro da IA, uma deteção de cada vez. Consulta a Ultralytics Platform e a nossa documentação para obteres mais informações sobre tudo o que diz respeito ao Ultralytics, e junta-te à nossa comunidade para te manteres a par das últimas novidades!

Se tens curiosidade sobre a exportação de modelos Ultralytics YOLOv8 treinados de forma personalizada e a execução de inferência numa webcam, vê o vídeo completo Watch the full video!