Экспорт обученной на пользовательских данных модели Ultralytics YOLOv8

Присоединяйся к нам, чтобы подробнее разобраться в детекции объектов на своих данных с помощью Ultralytics YOLOv8. В этой статье мы изучим сложный процесс обучения собственной модели, экспорта весов и запуска инференса в реальном времени через веб-камеру.

Link to this sectionОбучение собственной модели детекции объектов#

В нашем предыдущем видео мы погрузились в процесс обучения модели YOLOv8 на собственном наборе данных с чашками в Google Colab. Мы наблюдали, как график обучения стабильно улучшается: функция потерь снижается, а средняя точность (mAP) растет. Благодаря этому наша специализированная модель теперь может очень точно определять пять различных типов чашек.

После того как твоя модель обучена и готова к работе, пришло время исследовать следующую ступень — экспорт обученных весов и запуск инференса в реальном времени через веб-камеру.

Инференс модели — это процесс использования обученной модели компьютерного зрения для получения прогнозов или принятия решений на основе новых, ранее не виденных данных. Это происходит, когда модель получает входные данные, например изображение, и обрабатывает их через свои обученные параметры и структуру. Затем модель выдает результат, например классификацию, детекцию или сегментацию, в зависимости от задачи обучения.

На практике инференс часто подразумевает развертывание обученной модели в производственной среде, где её можно использовать для обработки реальных данных в режиме реального времени или в пакетных задачах.

Link to this sectionЭкспорт и запуск инференса с обученной моделью#

Скачав веса обученной модели из Colab, ты сможешь без проблем импортировать их в среду Python и раскрыть весь потенциал своей модели.

Используя всего несколько строк кода, ты можешь настроить Python-скрипт для запуска инференса в реальном времени с веб-камеры, захватывая видео и обнаруживая различные чашки с впечатляющей точностью. Мощь YOLOv8 проявляется в том, как модель легко распознает чашки самых разных форм, размеров и цветов, демонстрируя свою универсальность и надежность в реальных условиях.

Тонкая настройка (fine-tuning) моделей дает множество преимуществ. Они могут detect, segment или classify объекты, которые могут не поддерживаться предобученными моделями. Кроме того, это помогает исследователям или специалистам по данным понять, как архитектура модели работает на реальных наборах данных.

Рис. 1. Nicolai Nielsen рассказывает, как обучить собственную модель, экспортировать обученные веса и запустить инференс в реальном времени через веб-камеру.

Link to this sectionЗаключение#

От обучения своей модели до экспорта весов и запуска инференса через веб-камеру — мы воочию убедились в мощности и универсальности YOLOv8.

Присоединяйся к нам в стремлении полностью раскрыть потенциал детекции объектов на своих данных с помощью Ultralytics YOLOv8. Давай вместе формировать будущее ИИ, детектируя один объект за другим. Загляни на Ultralytics Platform и в наши docs, чтобы узнать больше об экосистеме Ultralytics, а также присоединяйся к нашему community, чтобы быть в курсе последних событий!

Если тебе интересно, как экспортировать обученные модели YOLOv8 и запускать инференс с веб-камеры, посмотри полное видео Watch the full video!