17 апреля 2024 г.
Изучите возможности кастомизированного обнаружения объектов с помощью Ultralytics YOLOv8! Узнайте, как обучать модель, экспортировать ее и запускать вывод в реальном времени с веб-камеры!
Присоединяйтесь к нам, и мы подробнее рассмотрим пользовательское обнаружение объектов с помощью Ultralytics YOLOv8. В этой статье мы рассмотрим сложный процесс обучения пользовательской модели, экспорта обученных весов и выполнения логического вывода в реальном времени на веб-камере.
В нашем предыдущем видео мы углубились в область обучения модели YOLOv8 на пользовательском наборе данных cups в Google Colab. Мы увидели, как график обучения неуклонно улучшается, потери уменьшаются, а средняя ошибка положения увеличивается. Исходя из этого, наша специальная модель теперь может очень точно идентифицировать пять различных типов чашек.
После того как наша пользовательская модель обучена и готова к работе, пришло время исследовать следующий рубеж — экспорт обученных весов и запуск инференса в реальном времени на веб-камере.
Вывод модели — это процесс использования обученной модели компьютерного зрения для прогнозирования или принятия решений на основе новых, ранее не виденных данных. Это когда модель использует входные данные, такие как изображение, и обрабатывает их с помощью своих изученных параметров и структуры. Затем модель выдает результат, такой как классификация, обнаружение или сегментация, на основе своей задачи обучения.
В практическом плане вывод часто включает в себя развертывание обученной модели в производственной среде, где ее можно использовать для обработки реальных данных в режиме реального времени или в сценариях пакетной обработки.
После загрузки обученных весов модели из Colab мы можем легко импортировать их в среду Python, готовую к раскрытию всего потенциала нашей пользовательской модели.
Используя несколько строк кода, мы можем настроить скрипт Python для запуска инференса в реальном времени на веб-камере, захватывая кадры в реальном времени и с впечатляющей точностью обнаруживая различные чашки. Мощь YOLOv8 проявляется в том, что наша модель без труда идентифицирует чашки различных форм, размеров и цветов, демонстрируя свою универсальность и надежность в реальных сценариях.
Тонкая настройка моделей предлагает несколько преимуществ. Они могут обнаруживать, сегментировать или классифицировать объекты, которые предварительно обученные модели могут не поддерживать. Кроме того, они могут помочь исследователям или специалистам по данным понять, как архитектура модели работает на реальных наборах данных.
От обучения пользовательской модели до экспорта обученных весов и запуска логического вывода в реальном времени на веб-камере мы воочию убедились в мощи и универсальности YOLOv8.
Присоединяйтесь к нам в нашем стремлении раскрыть весь потенциал пользовательского обнаружения объектов с помощью Ultralytics YOLOv8. Давайте вместе формировать будущее ИИ, выявляя объекты один за другим. Ознакомьтесь с Ultralytics HUB и нашей документацией, чтобы получить дополнительную информацию обо всем, что связано с Ultralytics, а также присоединяйтесь к нашему сообществу, чтобы быть в курсе последних разработок!
Если вам интересно узнать об экспорте пользовательских обученных моделей YOLOv8 и запуске инференса на веб-камере, посмотрите полное видео здесь!
.webp)