Exporta um modelo Ultralytics YOLOv8 personalizado e treinado

Junta-te 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. 

Treinar um modelo personalizado de deteção de objectos

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 do erro médio a aumentar. Com base nisto, o nosso modelo especial consegue agora identificar cinco tipos diferentes de chávenas com muita precisão.

‍

Com o nosso modelo personalizado treinado e pronto a utilizar, está na altura de explorar a próxima fronteira - exportar os pesos treinados e executar a inferência em direto numa webcam.

A inferência de modelos é o processo de utilização de um modelo de visão por computador treinado para efetuar 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 produz então um resultado, como classificação, deteção ou segmentação, com base em sua tarefa de treinamento. 

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

Exportar e executar 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.

Usando algumas linhas de código, podemos configurar um script Python para executar inferência ao vivo numa webcam, capturando imagens em tempo real e detectando diferentes chávenas com uma precisão impressionante. O poder do YOLOv8 transparece 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 detetar, segmentar ou classificar 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.

Concluir

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

Junta-te a nós na nossa missão de desbloquear todo o potencial da deteção de objectos personalizada com Ultralytics YOLOv8 . Juntos, vamos moldar o futuro da IA, uma deteção de cada vez. Consulta o Ultralytics HUB e os nossos documentos para obteres mais informações sobre tudo o que é Ultralytics e junta-te à nossa comunidade para te manteres atualizado sobre os últimos desenvolvimentos! 

Se tiveres curiosidade em exportar modelos YOLOv8 treinados personalizados e em executar a inferência na webcam, vê o vídeo completo aqui!