Экспорт обученной на пользовательских данных модели Ultralytics YOLOv8

Присоединяйся к нам, чтобы поближе познакомиться с кастомным обнаружением объектов с помощью Ultralytics YOLOv8. В этой статье мы подробно рассмотрим процесс обучения кастомной модели, экспорта обученных весов и запуска инференса в реальном времени с веб-камеры.

Обучение собственной модели детекции объектов#

В нашем предыдущем видео мы погрузились в сферу обучения модели Ultralytics YOLOv8 на пользовательском наборе данных с чашками в Google Colab. Мы видели, как график обучения неуклонно улучшается: потери снижаются, а средняя точность в макродиапазоне (mAP) растет. Исходя из этого, наша специальная модель теперь может очень точно распознавать 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.

Экспорт 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, мы можем настроить скрипт на Python для запуска инференса в реальном времени с веб-камеры, захватывая видеопоток и обнаруживая различные чашки с впечатляющей точностью. Мощь Ultralytics YOLOv8 проявляется в полной мере, так как наша модель без труда распознает чашки различных форм, размеров и цветов, демонстрируя свою универсальность и надежность в реальных сценариях.

Дообучение моделей дает ряд преимуществ. Они могут обнаруживать, сегментировать или классифицировать объекты, которые предобученные модели могут не поддерживать. Кроме того, они помогают исследователям и дата-саентистам понять, как архитектура модели работает на реальных датасетах.

Рис. 1. Nicolai Nielsen рассказывает об обучении кастомной модели, экспортe обученных весов и запуске инференса в реальном времени с веб-камеры.

Заключение#

От обучения пользовательской модели до экспорта обученных весов и запуска инференса в реальном времени с веб-камеры — мы воочию убедились в мощи и универсальности Ultralytics YOLOv8.

Присоединяйся к нам в стремлении раскрыть весь потенциал кастомного обнаружения объектов с Ultralytics YOLOv8. Давай вместе формировать будущее ИИ по одному детектированию за раз. Оцени Ultralytics Platform и нашу документацию для получения дополнительной информации обо всем, что связано с Ultralytics, а также присоединяйся к нашему сообществу, чтобы быть в курсе последних разработок!

Если тебе интересно узнать об экспорте пользовательских обученных моделей Ultralytics YOLOv8 и запуске инференса с веб-камеры, посмотри полное видео Watch the full video!