Özel eğitilmiş bir Ultralytics YOLOv8 modelini dışa aktarma

Ultralytics YOLOv8 ile özel nesne tespitine daha yakından bakarken bize katılın. Bu blog yazısında, özel bir model eğitme, eğitilmiş ağırlıkları dışa aktarma ve bir web kamerasında canlı çıkarım çalıştırma gibi karmaşık süreci keşfedeceğiz. 

Özel bir nesne algılama modelini eğitme

Önceki videomuzda, Google Colab'da özel bir bardak veri kümesi üzerinde bir YOLOv8 modelini eğitme alanına dalmıştık. Kaybın azaldığı ve ortalama hata konumunun arttığı eğitim grafiğinin sürekli iyileştiğini gördük. Buna dayanarak, özel modelimiz artık beş farklı bardak türünü çok doğru bir şekilde tanımlayabiliyor.

‍

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

Model çıkarımı, yeni, görülmemiş verilere dayalı tahminler veya kararlar almak için eğitilmiş bir bilgisayar görüşü modelini kullanma sürecidir. Modelin bir görüntü gibi girdi verilerini kullandığı ve öğrendiği parametreleri ve yapısı aracılığıyla işlediği zamandır. Model daha sonra eğitim görevine göre sınıflandırma, algılama veya segmentasyon gibi bir çıktı üretir. 

Pratik terimlerle, çıkarım genellikle eğitilmiş modelin gerçek dünya verilerini gerçek zamanlı veya toplu işleme senaryolarında işlemek için kullanılabileceği bir üretim ortamına dağıtılmasını içerir.

Eğitilmiş modelle çıkarım yapma ve dışa aktarma

Colab'dan indirilen eğitilmiş model ağırlıklarıyla, özel modelimizin tüm potansiyelini ortaya çıkarmaya hazır, bunları sorunsuz bir şekilde bir Python ortamına aktarabiliriz.

Birkaç satır kod kullanarak, gerçek zamanlı görüntü yakalayan ve farklı bardakları etkileyici bir doğrulukla tespit eden bir web kamerasında canlı çıkarım çalıştırmak için bir Python betiği ayarlayabiliriz. Modelimiz çeşitli şekil, boyut ve renklerdeki bardakları zahmetsizce tanımlarken, YOLOv8'in gücü gerçek dünya senaryolarındaki çok yönlülüğünü ve güvenilirliğini sergiliyor.

İnce ayar modelleri çeşitli faydalar sunar. Önceden eğitilmiş modellerin desteklemeyebileceği nesneleri tespit edebilir, segmentlere ayırabilir veya sınıflandırabilirler. Ek olarak, araştırmacılara veya veri bilimcilerine model mimarisinin gerçek dünya veri kümelerinde nasıl performans gösterdiğini anlamalarında yardımcı olabilirler.

Özet

Özel bir model eğitmekten, eğitilmiş ağırlıkları dışa aktarmaya ve bir web kamerasında canlı çıkarım çalıştırmaya kadar, YOLOv8'in gücüne ve çok yönlülüğüne ilk elden tanık olduk.

Ultralytics YOLOv8 ile özel nesne tespitinin tüm potansiyelini ortaya çıkarma arayışımızda bize katılın. Birlikte, yapay zekanın geleceğini her seferinde bir tespit ile şekillendirelim. Ultralytics ile ilgili her şey hakkında daha fazla bilgi için Ultralytics HUB'ımıza ve belgelerimize göz atın, ayrıca en son gelişmelerden haberdar olmak için topluluğumuza katılın! 

Özel olarak eğitilmiş YOLOv8 modellerini dışa aktarma ve web kamerasında çıkarım çalıştırma hakkında meraklıysanız, buradaki videonun tamamını izleyin!