Özel eğitimli bir Ultralytics YOLOv8 modelini dışa aktarın

Ultralytics YOLOv8 ile özel nesne algılamaya daha yakından bakarken bize katılın. Bu blog yazısında, özel bir modeli eğitmenin, eğitilen ağırlıkları dışa aktarmanın ve bir web kamerasında canlı çıkarım yapmanın karmaşık sürecini keşfedeceğiz. 

Özel bir nesne algılama modelinin eğitimi

Bir önceki videomuzda, Google Colab'da özel bir bardak veri kümesi üzerinde bir YOLOv8 modelini eğitme konusunu ele almıştık. Eğitim grafiğinin sürekli olarak iyileştiğini, kaybın azaldığını ve ortalama hata konumunun arttığını gördük. Buna dayanarak, özel modelimiz artık beş farklı bardak türünü çok doğru bir şekilde tanımlayabiliyor.

‍

Eğitilmiş ve kullanıma hazır özel modelimizle, bir sonraki sınırı keşfetmenin zamanı geldi - eğitilmiş ağırlıkları dışa aktarmak ve bir web kamerasında canlı çıkarım yapmak.

Model çıkarımı, yeni, görülmemiş verilere dayalı tahminler veya kararlar almak için eğitilmiş bir bilgisayarla görme modelini kullanma sürecidir. Modelin görüntü gibi girdi verilerini kullanması ve bunları öğrenilmiş parametreleri ve yapısı aracılığıyla işlemesidir. Model daha sonra eğitim görevine dayalı olarak sınıflandırma, algılama veya segmentasyon gibi bir çıktı üretir. 

Pratik açıdan, çıkarım genellikle eğitilen modelin gerçek zamanlı veya toplu işleme senaryolarında gerçek dünya verilerini işlemek için kullanılabileceği bir üretim ortamına yerleştirilmesini içerir.

Eğitilmiş model ile dışa aktarma ve çıkarım çalıştırma

Colab'dan indirilen eğitimli model ağırlıkları ile bunları sorunsuz bir şekilde Python ortamına aktarabilir ve özel modelimizin tüm potansiyelini ortaya çıkarmaya hazır hale getirebiliriz.

Birkaç satır kod kullanarak, bir web kamerasında canlı çıkarım yapmak için bir Python betiği kurabilir, gerçek zamanlı görüntüler yakalayabilir ve farklı bardakları etkileyici bir doğrulukla tespit edebiliriz. YOLOv8'in gücü, modelimizin çeşitli şekil, boyut ve renkteki bardakları zahmetsizce tanımlamasıyla ortaya çıkıyor ve gerçek dünya senaryolarında çok yönlülüğünü ve güvenilirliğini sergiliyor.

İnce ayar modelleri çeşitli avantajlar sunar. Önceden eğitilmiş modellerin desteklemeyebileceği nesneleri tespit edebilir, segmentlere ayırabilir veya sınıflandırabilirler. Ayrıca, model mimarisinin gerçek dünya veri kümelerinde nasıl performans gösterdiğini anlamada araştırmacılara veya veri bilimcilere yardımcı olabilirler.

Toparlıyorum

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

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

Özel eğitimli YOLOv8 modellerini dışa aktarmayı ve web kamerasında çıkarım yapmayı merak ediyorsanız, videonun tamamını buradan izleyin!