Özel olarak eğitilmiş bir Ultralytics YOLOv8 modelini dışa aktar

Ultralytics YOLOv8 ile özel nesne algılamayı daha yakından incelemek için bize katıl. Bu blog yazısında özel bir model eğitme, eğitilmiş ağırlıkları dışa aktarma ve web kamerasında canlı çıkarım çalıştırma sürecini inceleyeceğiz.

Özel nesne algılama modeli eğitimi#

Önceki videomuzda, bardaklardan oluşan bir veri kümesi kullanarak Google Colab'de özel bir veri kümesi üzerinde Ultralytics YOLOv8 modeli eğitmeyi ele aldık. Kayıp azalırken ortalama kesinlik değerinin (mAP) arttığı ve eğitim grafiğinin istikrarlı biçimde iyileştiği görüldü. Buna göre özel modelimiz artık beş farklı bardak türünü çok yüksek doğrulukla tanıyabiliyor.

Özel modelimiz eğitilip kullanıma hazır olduğuna göre şimdi bir sonraki adımı keşfetme zamanı: eğitilmiş ağırlıkları dışa aktarmak ve web kamerasında canlı çıkarım çalıştırmak.

Model çıkarımı, eğitilmiş bir bilgisayarlı görü modelini yeni ve daha önce görülmemiş veriler üzerinde tahmin veya karar üretmek için kullanma sürecidir. Modelin görüntü gibi girdi verilerini kullanarak bunları öğrendiği parametreler ve yapı üzerinden işlemesidir. Ardından model, eğitim görevine bağlı olarak sınıflandırma, algılama veya segmentasyon gibi bir çıktı üretir.

Pratikte çıkarım, eğitilmiş modelin gerçek dünya verilerini gerçek zamanlı olarak veya toplu işleme senaryolarında işleyebileceği bir üretim ortamına dağıtılmasını gerektirir.

Eğitilmiş modeli dışa aktarma ve modelle çıkarım gerçekleştirme#

Colab'den indirdiğimiz eğitilmiş model ağırlıklarını bir Python ortamına yükleyip özel modelimizi kullanmaya başlayabiliriz.

Birkaç satır kodla web kamerasında canlı çıkarım çalıştıracak, gerçek zamanlı görüntü yakalayacak ve farklı bardakları algılayacak bir Python betiği hazırlayabiliriz. Model çeşitli şekil, boyut ve renklerdeki bardakları tanıyarak gerçek dünya senaryolarını ne kadar iyi ele aldığını gösterir.

İnce ayar yapılmış modeller çeşitli avantajlar sunar. Önceden eğitilmiş modellerin desteklemeyebileceği nesneleri algılayabilir, segmentlere ayırabilir veya sınıflandırabilirler. Ayrıca araştırmacıların veya veri bilimcilerin model mimarisinin gerçek dünya veri kümelerindeki performansını anlamasına yardımcı olabilirler.

Şekil 1. Nicolai Nielsen, özel bir modelin nasıl eğitileceğini, eğitilmiş ağırlıkların nasıl dışa aktarılacağını ve web kamerasında canlı çıkarımın nasıl çalıştırılacağını açıklıyor.

Kapanış#

Özel model eğitmekten eğitilmiş ağırlıkları dışa aktarmaya ve web kamerasında canlı çıkarım çalıştırmaya kadar, Ultralytics YOLOv8'in tüm iş akışını nasıl ele aldığını gördük.

Özel nesne algılamayı kendin denemeye hazır mısın? Ultralytics'in tüm konuları hakkında daha fazla bilgi için Ultralytics Platform ve belgelerimize göz at, en son gelişmelerden haberdar olmak için topluluğumuza katıl!

Özel olarak eğitilmiş Ultralytics YOLOv8 modellerini dışa aktarmayı ve web kamerasında çıkarım çalıştırmayı merak ediyorsan, videonun tamamını izle!