Exportar um modelo Ultralytics YOLOv8 treinado de forma personalizada

Junte-se a nós para ver 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 de deteção de objectos personalizado

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 de 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 utiliza dados de entrada, como uma imagem, e os processa através dos seus parâmetros e estrutura aprendidos. O modelo produz então um resultado, como a classificação, a deteção ou a segmentação, com base na sua tarefa de formação. 

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.

Utilizando algumas linhas de código, podemos configurar um script Python para executar a inferência em direto 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 treino de um modelo personalizado até à exportação dos pesos treinados e à execução de inferência em direto numa webcam, testemunhámos em primeira mão o poder e a versatilidade do YOLOv8.

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

Se estiver curioso sobre a exportação de modelos YOLOv8 treinados personalizados e a execução de inferência na webcam, veja o vídeo completo aqui!