Exporta um modelo Ultralytics YOLOv8 treinado com dados personalizados

Junta-te a nós para analisarmos mais de perto a deteção personalizada de objetos com o Ultralytics YOLOv8. Nesta publicação do blogue, vamos explorar o processo complexo de treinar um modelo personalizado, exportar os pesos treinados e executar inferência em direto através de uma webcam.

Treinar um modelo personalizado de deteção de objetos#

No nosso vídeo anterior, explorámos o treino de um modelo Ultralytics YOLOv8 num conjunto de dados personalizado de chávenas no Google Colab. Vimos o gráfico de treino melhorar continuamente, com a perda a diminuir e a precisão média média (mAP) a aumentar. Com base nisso, o nosso modelo especializado consegue agora identificar com grande precisão cinco tipos diferentes de chávenas.

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

A inferência de modelos é o processo de utilizar um modelo de visão computacional treinado para fazer previsões ou tomar decisões com base em dados novos e não observados. É quando o modelo utiliza dados de entrada, como uma imagem, e os processa através dos seus parâmetros e estrutura aprendidos. Em seguida, o modelo produz uma saída, como classificação, deteção ou segmentação, com base na tarefa para a qual foi treinado.

Em termos práticos, a inferência envolve frequentemente implementar o modelo treinado num ambiente de produção, onde pode ser utilizado para processar dados do mundo real em cenários de processamento em tempo real ou 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 tirar partido de todo o potencial do nosso modelo personalizado.

Com algumas linhas de código, podemos configurar um script Python para executar inferência em direto através de uma webcam, captando imagens em tempo real e detetando diferentes chávenas com uma precisão impressionante. O poder do Ultralytics YOLOv8 manifesta-se à medida que o nosso modelo identifica facilmente chávenas de várias formas, tamanhos e cores, demonstrando a sua versatilidade e fiabilidade em cenários do mundo real.

O ajuste fino dos modelos oferece vários benefícios. Estes podem detetar, segmentar ou classificar objetos que os modelos pré-treinados podem não suportar. Além disso, podem ajudar investigadores ou cientistas de dados a compreender o desempenho da arquitetura do modelo em conjuntos de dados do mundo real.

Figura 1. Nicolai Nielsen a explicar como treinar um modelo personalizado, exportar os pesos treinados e executar inferência em direto através de uma webcam.

Conclusão#

Desde treinar um modelo personalizado até exportar os pesos treinados e executar inferência em direto através de uma 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 personalizada de objetos com o Ultralytics YOLOv8. Juntos, vamos moldar o 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 à Ultralytics e junta-te à nossa comunidade para acompanhares os desenvolvimentos mais recentes!

Se tens curiosidade em saber como exportar modelos Ultralytics YOLOv8 treinados com dados personalizados e executar inferência através de uma webcam, vê o vídeo completo: Ver o vídeo completo!