Экспорт настраиваемой модели Ultralytics YOLOv8

Присоединяйтесь к нам, чтобы поближе познакомиться с пользовательским обнаружением объектов с помощью Ultralytics YOLOv8. В этом блоге мы рассмотрим сложный процесс обучения пользовательской модели, экспорта обученных весов и проведения анализа в реальном времени на веб-камере. 

Обучение пользовательской модели обнаружения объектов

В нашем предыдущем видео мы изучили процесс обучения модели YOLOv8 на пользовательском наборе данных cups в Google Colab. Мы увидели, что график обучения неуклонно улучшается: потери уменьшаются, а среднее значение ошибки растет. Исходя из этого, наша специальная модель теперь может очень точно идентифицировать пять различных типов чашек.

‍

Когда наша пользовательская модель обучена и готова к работе, пришло время исследовать следующий рубеж - экспортировать обученные веса и запустить живые вычисления на веб-камере.

Вывод модели - это процесс использования обученной модели компьютерного зрения для принятия прогнозов или решений на основе новых, невидимых данных. Это когда модель использует входные данные, например изображение, и обрабатывает их с помощью изученных параметров и структуры. Затем модель выдает результат, например классификацию, обнаружение или сегментацию, на основе поставленной перед ней задачи обучения. 

С практической точки зрения, вывод часто предполагает развертывание обученной модели в производственной среде, где она может быть использована для обработки реальных данных в режиме реального времени или в сценариях пакетной обработки.

Экспорт и проведение расчетов с обученной моделью

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

С помощью нескольких строк кода мы можем настроить Python-скрипт для запуска живых выводов на веб-камере, захватывая видео в реальном времени и обнаруживая различные чашки с впечатляющей точностью. Сила YOLOv8 проявляется в том, что наша модель без труда определяет чашки различных форм, размеров и цветов, демонстрируя свою универсальность и надежность в реальных условиях.

Тонкая настройка моделей дает 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 обработке данных понять, как архитектура модели работает на реальных наборах данных.

Подведение итогов

От обучения пользовательской модели до экспорта обученных весов и проведения прямых вычислений с помощью веб-камеры - мы убедились в мощности и универсальности YOLOv8 на собственном опыте.

Присоединяйтесь к нам в нашем стремлении раскрыть весь потенциал пользовательского обнаружения объектов с помощью Ultralytics YOLOv8. Давайте вместе формировать будущее искусственного интеллекта по одному обнаружению за раз. Посетите Ultralytics HUB и нашу документацию для получения дополнительной информации обо всем, что связано с Ultralytics, а также присоединяйтесь к нашему сообществу, чтобы быть в курсе последних событий! 

Если вам интересно узнать, как экспортировать натренированные модели YOLOv8 и проводить исследования с помощью веб-камеры, посмотрите полное видео здесь!