"Tüm Çerezleri Kabul Et" seçeneğine tıklayarak, sitede gezinmeyi geliştirmek, site kullanımını analiz etmek ve pazarlama çabalarımıza yardımcı olmak için cihazınızda çerezlerin saklanmasını kabul edersiniz. Daha fazla bilgi
Çerez Ayarları
"Tüm Çerezleri Kabul Et" seçeneğine tıklayarak, sitede gezinmeyi geliştirmek, site kullanımını analiz etmek ve pazarlama çabalarımıza yardımcı olmak için cihazınızda çerezlerin saklanmasını kabul edersiniz. Daha fazla bilgi
Ultralytics YOLOv8 ile özel nesne algılamayı keşfedin! Bir web kamerası üzerinde canlı çıkarımı nasıl eğiteceğinizi, dışa aktaracağınızı ve çalıştıracağınızı öğrenin!
ile özel nesne algılamaya daha yakından bakarken bize katılın Ultralytics YOLOv8. 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 modelini eğitme
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.
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 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. detect edebilirler, segmentveya classify önceden eğitilmiş modellerin desteklemeyebileceği nesneler. Ayrıca, model mimarisinin gerçek dünya veri kümelerinde nasıl performans gösterdiğini anlamada araştırmacılara veya veri bilimcilere yardımcı olabilirler.
Şekil 1. Nicolai Nielsen özel bir modelin nasıl eğitileceğini, eğitilmiş ağırlıkların nasıl dışa aktarılacağını ve bir web kamerasında canlı çıkarımın nasıl çalıştırılacağını anlatıyor.
Özet
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!
