Özel eğitilmiş bir Ultralytics YOLOv8 modelini dışa aktar

Ultralytics YOLOv8 ile özel nesne tespiti konusunu daha yakından incelerken bize katıl. Bu blog yazısında, özel bir model eğitmenin, eğitilen ağırlıkları dışa aktarmanın ve bir web kamerasında canlı çıkarım çalıştırmanın karmaşık sürecini keşfedeceğiz.

Özel bir nesne algılama modeli eğitme#

Önceki videomuzda, Google Colab'de özel bir bardak veri kümesi üzerinde bir Ultralytics YOLOv8 modelini eğitme alanına derinlemesine indik. Kayıp azalırken ve ortalama ortalama kesinlik (mAP) artarken eğitim grafiğinin istikrarlı bir şekilde iyileştiğini gördük. Buna dayanarak, özel modelimiz artık beş farklı bardak türünü çok doğru bir şekilde tanıyabiliyor.

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.

Eğitilmiş 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, canlı bir web kamerası çıkarımı çalıştırmak için bir Python betiği ayarlayabilir, gerçek zamanlı görüntüleri yakalayabilir ve etkileyici bir doğrulukla farklı bardakları tespit edebiliriz. Modelimiz çeşitli şekil, boyut ve renkteki bardakları zahmetsizce tanımlarken, gerçek dünya senaryolarındaki çok yönlülüğünü ve güvenilirliğini sergilerken Ultralytics YOLOv8'in gücü parlıyor.

Modelleri ince ayarlamak (fine-tune) birkaç avantaj sunar. Önceden eğitilmiş modellerin destekleyemeyebileceği nesneleri tespit edebilir, bölümleyebilir veya sınıflandırabilir. Ek olarak, araştırmacılara veya veri bilimcilere model mimarisinin gerçek dünya veri kümelerinde nasıl performans gösterdiğini anlamalarında yardımcı olabilirler.

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

Toparlarken#

Özel bir model eğitm पूर्वक, eğitilmiş ağırlıkları dışarı aktarmaya ve web kamerası üzerinde canlı çıkarım çalıştırmaya kadar, Ultralytics YOLOv8'in gücüne ve çok yönlülüğüne ilk elden tanık olduk.

Ultralytics YOLOv8 ile özel nesne tespitinin tüm potansiyelini açığa çıkarma arayışımızda bize katıl. Yapay zekanın geleceğini her seferinde tek bir tespit ile birlikte şekillendirelim. Tüm Ultralytics konuları hakkında daha fazla bilgi edinmek için Ultralytics Platform ve belgelerimize göz at, ayrıca en son gelişmelerden haberdar olmak için topluluğumuza katıl!

Özel eğitilmiş Ultralytics YOLOv8 modellerini dışarı aktarma ve web kamerasında çıkarım çalıştırma konusunda meraklıysan, Watch the full video tam videoyu izle!