Özel eğitilmiş bir Ultralytics YOLOv8 modelini dışa aktar

Ultralytics YOLOv8 ile özel nesne algılamaya daha yakından bakarken bize katıl. Bu blog yazısında, özel bir model eğitme, eğitilen ağırlıkları dışa aktarma ve web kamerasında canlı çıkarım çalıştırmanın karmaşık sürecini keşfedeceğiz.

Link to this sectionÖzel bir nesne algılama modeli eğitme#

Önceki videomuzda, Google Colab'de özel bir fincan veri kümesi üzerinde YOLOv8 modelini eğitme dünyasının derinliklerine indik. Eğitim grafiğinin sürekli iyileştiğini, kaybın azaldığını ve ortalama hassasiyetin (mAP) arttığını gördük. Buna dayanarak, özel modelimiz artık beş farklı fincan türünü çok doğru bir şekilde tanımlayabiliyor.

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

Model çıkarımı, eğitilmiş bir bilgisayarlı görü modelinin yeni, görülmemiş verilere dayanarak tahminler veya kararlar almasını sağlama sürecidir. Bu süreç, modelin bir görüntü gibi giriş verilerini kullanıp öğrendiği parametreler ve yapı aracılığıyla işlemesiyle gerçekleşir. Model daha sonra eğitim görevine bağlı olarak sınıflandırma, algılama veya segmentasyon gibi bir çıktı üretir.

Pratik terimlerle ifade etmek gerekirse, çıkarım genellikle eğitilmiş modelin gerçek dünya verilerini gerçek zamanlı veya toplu işleme senaryolarında işleyebileceği bir üretim ortamına dağıtılmasını içerir.

Link to this sectionEğitilmiş modeli dışa aktarma ve onunla çıkarım çalıştırma#

Colab'den indirilen eğitilmiş model ağırlıkları ile, özel modelimizin tam potansiyelini ortaya çıkarmaya hazır bir şekilde bunları sorunsuz bir şekilde bir Python ortamına aktarabiliriz.

Birkaç satır kod kullanarak, gerçek zamanlı görüntüleri yakalayan ve farklı fincanları etkileyici bir doğrulukla algılayan, web kamerasında canlı çıkarım çalıştırmak için bir Python betiği ayarlayabiliriz. Modelimiz çeşitli şekil, boyut ve renkteki fincanları zahmetsizce tanımlarken YOLOv8'in gücü kendini gösteriyor ve gerçek dünya senaryolarında çok yönlülüğünü ve güvenilirliğini sergiliyor.

İnce ayar yapılmış modeller birçok avantaj sunar. Önceden eğitilmiş modellerin desteklemeyebileceği nesneleri algılayabilir, bölütleyebilir veya sınıflandırabilir. Ayrıca, araştırmacıların veya veri bilimcilerinin model mimarisinin gerçek dünya veri kümelerinde nasıl performans gösterdiğini anlamalarına yardımcı olabilirler.

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

Link to this sectionToparlarken#

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

Ultralytics YOLOv8 ile özel nesne algılamanın tüm potansiyelini ortaya çıkarma arayışımızda bize katıl. Haydi, yapay zekanın geleceğini her seferinde bir algılamayla şekillendirelim. Ultralytics ile ilgili her şey hakkında daha fazla bilgi edinmek için Ultralytics Platform ve dokümanlarımıza göz at, ayrıca en son gelişmelerden haberdar olmak için topluluğumuza katıl!

Özel olarak eğitilmiş YOLOv8 modellerini dışa aktarma ve web kamerasında çıkarım çalıştırma hakkında meraklıysan, Watch the full video videosunun tamamını izle!