Exporte um modelo Ultralytics YOLOv8 treinado com dados personalizados

Acompanhe uma análise detalhada da detecção personalizada de objetos com o Ultralytics YOLOv8. Nesta publicação do blog, vamos explorar o processo de treinamento de um modelo personalizado, exportação dos pesos treinados e execução de inferência ao vivo em uma webcam.

Treinar um modelo personalizado de deteção de objetos#

No vídeo anterior, mostramos como treinar um modelo Ultralytics YOLOv8 com um conjunto de dados personalizado no Google Colab, usando um conjunto de dados de xícaras. Vimos o gráfico de treinamento melhorar continuamente, com a perda diminuindo e a precisão média (mAP) aumentando. Com base nisso, nosso modelo personalizado agora consegue identificar com muita precisão cinco tipos diferentes de xícaras.

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

A inferência de modelos é o processo de usar um modelo de visão computacional treinado para fazer previsões ou tomar decisões com base em dados novos e ainda não vistos. É quando o modelo recebe dados de entrada, como uma imagem, e os processa usando os parâmetros e a estrutura que aprendeu. Em seguida, o modelo produz uma saída, como classificação, detecção ou segmentação, de acordo com a tarefa para a qual foi treinado.

Na prática, a inferência geralmente envolve implantar o modelo treinado em um ambiente de produção, onde ele pode processar dados do mundo real em tempo real ou em cenários de processamento em lote.

Exportar o modelo treinado e executar inferência#

Com os pesos do modelo treinado baixados do Colab, podemos carregá-los em um ambiente Python e colocar nosso modelo personalizado em funcionamento.

Com 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 xícaras. O modelo identifica xícaras de vários formatos, tamanhos e cores, mostrando como lida bem com cenários do mundo real.

Os modelos ajustados oferecem vários benefícios. Eles podem detectar, segmentar ou classificar objetos que os modelos pré-treinados talvez não sejam capazes de processar. Além disso, podem ajudar pesquisadores ou cientistas de dados a entender o desempenho da arquitetura do modelo em conjuntos de dados do mundo real.

Fig. 1. Nicolai Nielsen explicando como treinar um modelo personalizado, exportar os pesos treinados e executar inferência ao vivo em uma webcam.

Encerramento#

Do treinamento de um modelo personalizado à exportação dos pesos treinados e à execução de inferência ao vivo em uma webcam, vimos como o Ultralytics YOLOv8 lida com todo o fluxo de trabalho.

Pronto para experimentar a detecção personalizada de objetos? Confira a Ultralytics Platform e nossa documentação para saber mais sobre tudo relacionado à Ultralytics e participe da nossa comunidade para acompanhar as novidades mais recentes!

Se tens curiosidade em saber como exportar modelos Ultralytics YOLOv8 treinados à medida e executar inferências numa webcam, vê o vídeo completo!