Özel olarak eğitilmiş bir Ultralytics YOLOv8 modelini aktar
Ultralytics YOLOv8 ile özel nesne algılamayı keşfet! Bir web kamerasında nasıl eğitim yapacağını, modeli aktaracağını ve canlı çıkarım çalıştıracağını öğren!
Ultralytics YOLOv8 ile özel nesne tespitine daha yakından baktığımız bu çalışmaya sen de katıl. Bu blog yazısında özel bir modeli eğitmenin, eğitilmiş ağırlıkları dışa aktarmanın ve web kamerasında canlı çıkarım çalıştırmanın ayrıntılı sürecini inceleyeceğiz.
Özel bir nesne tespit modelini eğitme#
Önceki videomuzda, Google Colab'da özel bardak veri kümesi üzerinde bir Ultralytics YOLOv8 modelini eğitme sürecini ayrıntılı olarak ele aldık. Kayıp azalırken ortalama kesinliğin (mAP) arttığını ve eğitim grafiğinin istikrarlı biçimde iyileştiğini gördük. Buna dayanarak özel modelimiz artık beş farklı bardak türünü yüksek doğrulukla tanıyabiliyor.
Özel modelimiz eğitildiğine ve kullanıma hazır olduğuna göre, şimdi sıradaki aşamayı, yani eğitilmiş ağırlıkları dışa aktarmayı ve web kamerasında canlı çıkarım çalıştırmayı incelemenin zamanı geldi.
Model çıkarımı, eğitilmiş bir bilgisayarlı görü modelinin yeni ve daha önce görülmemiş verilere dayanarak tahminler veya kararlar üretmek için kullanılması sürecidir. Modelin görüntü gibi giriş verilerini alıp öğrendiği parametreler ve yapı üzerinden işlemesi bu aşamada gerçekleşir. Ardından model, eğitim görevine bağlı olarak sınıflandırma, tespit veya segmentasyon gibi bir çıktı üretir.
Pratikte çıkarım genellikle eğitilmiş modelin gerçek dünya verilerini gerçek zamanlı veya toplu işleme senaryolarında işleyebileceği bir üretim ortamına dağıtılmasını içerir.
Eğitilmiş modelle dışa aktarma ve çıkarım çalıştırma#
Colab'dan indirilen eğitilmiş model ağırlıklarıyla bunları bir Python ortamına sorunsuzca aktarabilir ve özel modelimizin tüm potansiyelini ortaya çıkarmaya hazır hale gelebiliriz.
Birkaç satır kod kullanarak web kamerasında canlı çıkarım çalıştıran, gerçek zamanlı görüntüleri yakalayan ve farklı bardakları etkileyici bir doğrulukla tespit eden bir Python betiği oluşturabiliriz. Ultralytics YOLOv8'in gücü burada kendini gösteriyor: modelimiz çeşitli şekil, boyut ve renklerdeki bardakları zahmetsizce tanıyarak gerçek dünya senaryolarındaki çok yönlülüğünü ve güvenilirliğini ortaya koyuyor.
Modellerin ince ayarının çeşitli faydaları vardır. Önceden eğitilmiş modellerin desteklemeyebileceği nesneleri tespit edebilir, segmentlere ayırabilir veya sınıflandırabilirler. Ayrıca araştırmacıların veya veri bilimcilerinin model mimarisinin gerçek dünya veri kümelerindeki performansını anlamalarına yardımcı olabilirler.
Şekil 1. Nicolai Nielsen özel bir modelin nasıl eğitileceğini, eğitilmiş ağırlıkların nasıl dışa aktarılacağını ve web kamerasında canlı çıkarımın nasıl çalıştırılacağını açıklıyor.
Sonuç#
Özel bir model eğitmekten eğitilmiş ağırlıkları dışa aktarmaya ve web kamerasında canlı çıkarım çalıştırmaya kadar, Ultralytics YOLOv8'in gücüne ve çok yönlülüğüne ilk elden tanık olduk.
Ultralytics YOLOv8 ile özel nesne tespitinin tüm potansiyelini ortaya çıkarma yolculuğumuza sen de katıl. Birlikte, her seferinde bir tespitle yapay zekânın geleceğini şekillendirelim. Ultralytics hakkında her konuda daha fazla bilgi edinmek için Ultralytics Platform ve belgelerimize göz at; en yeni gelişmelerden haberdar olmak için topluluğumuza da katıl!
Özel olarak eğitilmiş Ultralytics YOLOv8 modellerini dışa aktarmayı ve web kamerasında çıkarım çalıştırmayı merak ediyorsan, Tam videoyu izle!
