Экспортируй пользовательскую обученную модель Ultralytics YOLOv8

Присоединяйся к нам, чтобы подробнее рассмотреть обнаружение пользовательских объектов с помощью Ultralytics YOLOv8. В этой статье мы изучим сложный процесс обучения пользовательской модели, экспорта обученных весов и запуска инференса в реальном времени с веб-камеры.

Обучение пользовательской модели обнаружения объектов#

В нашем предыдущем видео мы подробно рассмотрели обучение модели Ultralytics YOLOv8 на пользовательском наборе данных с изображениями чашек в Google Colab. Мы увидели, как график обучения постепенно улучшался: значение функции потерь снижалось, а средняя точность (mAP) повышалась. Благодаря этому наша специальная модель теперь может очень точно распознавать пять разных типов чашек.

Теперь, когда наша пользовательская модель обучена и готова к работе, пришло время перейти к следующему этапу — экспортировать обученные веса и запустить инференс в реальном времени с веб-камеры.

Инференс модели — это процесс использования обученной модели компьютерного зрения для получения прогнозов или принятия решений на основе новых, ранее не встречавшихся данных. В этот момент модель использует входные данные, например изображение, и обрабатывает их с помощью выученных параметров и структуры. Затем модель формирует результат, например классификацию, обнаружение или сегментацию, в зависимости от задачи, для которой она обучалась.

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

Экспорт и запуск инференса с обученной моделью#

Загрузив обученные веса модели из Colab, мы можем без проблем импортировать их в среду Python, чтобы раскрыть весь потенциал нашей пользовательской модели.

С помощью нескольких строк кода мы можем настроить скрипт Python для запуска инференса в реальном времени с веб-камеры: захватывать видео и с впечатляющей точностью обнаруживать разные чашки. Возможности Ultralytics YOLOv8 проявляются во всей полноте: наша модель легко распознаёт чашки различных форм, размеров и цветов, демонстрируя универсальность и надёжность в реальных сценариях.

Модели после дообучения дают несколько преимуществ. Они могут обнаруживать, сегментировать или классифицировать объекты, которые могут не поддерживаться предварительно обученными моделями. Кроме того, они помогают исследователям и специалистам по обработке данных понять, как архитектура модели работает на реальных наборах данных.

Рис. 1. Nicolai Nielsen рассказывает о том, как обучить пользовательскую модель, экспортировать обученные веса и запустить инференс в реальном времени с веб-камеры.

Подводя итоги#

От обучения пользовательской модели до экспорта обученных весов и запуска инференса в реальном времени с веб-камеры — мы смогли на собственном опыте увидеть возможности и универсальность Ultralytics YOLOv8.

Присоединяйся к нам, чтобы раскрыть весь потенциал обнаружения пользовательских объектов с помощью Ultralytics YOLOv8. Давай вместе формировать будущее ИИ — по одному обнаружению за раз. Посети Ultralytics Platform и нашу документацию, чтобы узнать больше обо всём, что связано с Ultralytics, а также присоединяйся к нашему сообществу, чтобы быть в курсе последних разработок!

Если тебе интересно, как экспортировать специально обученные модели Ultralytics YOLOv8 и запускать инференс с веб-камеры, посмотри полное видео Посмотреть полное видео!