Экспортируй пользовательскую обученную модель Ultralytics YOLOv8

Присоединяйся к нам, чтобы подробнее узнать о пользовательском обнаружении объектов с помощью Ultralytics YOLOv8. В этой статье мы рассмотрим обучение пользовательской модели, экспорт обученных весов и запуск инференса в реальном времени с веб-камеры.

Обучение собственной модели обнаружения объектов#

В нашем предыдущем видео мы рассказывали об обучении модели Ultralytics YOLOv8 на пользовательском наборе данных в Google Colab на примере набора данных с чашками. Мы увидели, как график обучения постепенно улучшался: значение потерь снижалось, а средняя точность (mAP) росла. Благодаря этому наша пользовательская модель теперь очень точно распознаёт пять разных типов чашек.

Пользовательская модель обучена и готова к работе — теперь рассмотрим следующий шаг: экспорт обученных весов и запуск инференса в реальном времени с веб-камеры.

Инференс модели — это использование обученной модели компьютерного зрения для получения предсказаний или принятия решений на основе новых, ранее не встречавшихся данных. Модель получает входные данные, например изображение, и обрабатывает их с помощью выученных параметров и структуры. Затем на основе задачи, для которой её обучали, модель формирует выходные данные: например, результат классификации, обнаружения или сегментации.

На практике инференс часто подразумевает развёртывание обученной модели в производственной среде, где она обрабатывает реальные данные в реальном времени или пакетном режиме.

Экспорт модели и запуск инференса с ее помощью#

Загрузив обученные веса модели из Colab, мы можем добавить их в среду Python и использовать нашу пользовательскую модель.

С помощью нескольких строк кода можно настроить скрипт Python для инференса в реальном времени с веб-камеры: он будет записывать видео и обнаруживать разные чашки. Модель распознаёт чашки различных форм, размеров и цветов, демонстрируя, насколько хорошо она справляется с реальными условиями.

Дообученные модели дают ряд преимуществ. Они могут обнаруживать, сегментировать или классифицировать объекты, которые не поддерживаются предварительно обученными моделями. Кроме того, они помогают исследователям и специалистам по данным понять, как архитектура модели работает на реальных наборах данных.

Рис. 1. Николай Нильсен рассказывает, как обучить пользовательскую модель, экспортировать обученные веса и запустить инференс в реальном времени с веб-камеры.

Подводя итоги#

Мы проследили весь рабочий процесс: от обучения пользовательской модели до экспорта обученных весов и запуска инференса в реальном времени с веб-камеры, — и увидели, как Ultralytics YOLOv8 справляется с каждым этапом.

Хочешь попробовать пользовательское обнаружение объектов? Загляни на Ultralytics Platform и в нашу документацию, чтобы узнать больше обо всём, что связано с Ultralytics, и присоединяйся к нашему сообществу, чтобы следить за последними новостями!

Если тебе интересно узнать, как экспортировать модели Ultralytics YOLOv8, обученные на пользовательских данных, и запускать инференс с веб-камеры, посмотри полное видео!