Export model Ultralytics YOLOv8 được train tùy chỉnh
Khám phá tính năng phát hiện đối tượng tùy chỉnh với Ultralytics YOLOv8! Tìm hiểu cách train, export và chạy inference trực tiếp trên webcam!
Hãy cùng chúng tôi tìm hiểu sâu hơn về bài toán phát hiện đối tượng tùy chỉnh với Ultralytics YOLOv8. Trong bài blog này, chúng ta sẽ khám phá quy trình phức tạp để huấn luyện một model tùy chỉnh, export các trọng số đã huấn luyện và chạy inference trực tiếp trên webcam.
Huấn luyện model phát hiện đối tượng tùy chỉnh#
Trong video trước, chúng ta đã tìm hiểu sâu về việc huấn luyện một model Ultralytics YOLOv8 trên dataset cốc tùy chỉnh trong Google Colab. Chúng ta đã thấy biểu đồ huấn luyện liên tục cải thiện, với loss giảm và độ chính xác trung bình (mAP) tăng lên. Dựa trên đó, model tùy chỉnh của chúng ta hiện có thể nhận diện rất chính xác năm loại cốc khác nhau.
Với model tùy chỉnh đã được huấn luyện và sẵn sàng sử dụng, đã đến lúc khám phá bước tiếp theo—export các trọng số đã huấn luyện và chạy inference trực tiếp trên webcam.
Inference model là quá trình sử dụng một model thị giác máy tính đã được huấn luyện để đưa ra dự đoán hoặc quyết định dựa trên dữ liệu mới, chưa từng thấy. Đây là lúc model sử dụng dữ liệu đầu vào, chẳng hạn như một hình ảnh, và xử lý dữ liệu đó thông qua các tham số cùng cấu trúc đã học. Sau đó, model tạo ra đầu ra, chẳng hạn như phân loại, phát hiện hoặc phân đoạn, dựa trên tác vụ mà model được huấn luyện.
Về mặt thực tiễn, inference thường bao gồm việc triển khai model đã huấn luyện vào môi trường production, nơi model có thể được sử dụng để xử lý dữ liệu thực tế theo thời gian thực hoặc trong các kịch bản xử lý theo batch.
Export và chạy inference với model đã huấn luyện#
Với các trọng số của model đã huấn luyện được tải xuống từ Colab, chúng ta có thể dễ dàng import chúng vào một môi trường Python, sẵn sàng khai thác toàn bộ tiềm năng của model tùy chỉnh.
Chỉ với vài dòng code, chúng ta có thể thiết lập một script Python để chạy inference trực tiếp trên webcam, ghi lại cảnh quay theo thời gian thực và phát hiện các loại cốc khác nhau với độ chính xác ấn tượng. Sức mạnh của Ultralytics YOLOv8 được thể hiện rõ khi model của chúng ta dễ dàng nhận diện các loại cốc có hình dạng, kích thước và màu sắc đa dạng, cho thấy tính linh hoạt và độ tin cậy trong các kịch bản thực tế.
Các model được tinh chỉnh mang lại nhiều lợi ích. Chúng có thể phát hiện, phân đoạn hoặc phân loại những đối tượng mà các model pretrained có thể không hỗ trợ. Ngoài ra, chúng có thể hỗ trợ các nhà nghiên cứu hoặc data scientist tìm hiểu cách kiến trúc model hoạt động trên các dataset thực tế.
Hình 1. Nicolai Nielsen trình bày cách huấn luyện một model tùy chỉnh, export các trọng số đã huấn luyện và chạy inference trực tiếp trên webcam.
Tổng kết#
Từ việc huấn luyện một model tùy chỉnh đến export các trọng số đã huấn luyện và chạy inference trực tiếp trên webcam, chúng ta đã trực tiếp chứng kiến sức mạnh và tính linh hoạt của Ultralytics YOLOv8.
Hãy cùng chúng tôi khám phá toàn bộ tiềm năng của bài toán phát hiện đối tượng tùy chỉnh với Ultralytics YOLOv8. Cùng nhau, hãy định hình tương lai của AI, từng lần phát hiện một. Hãy xem Ultralytics Platform và tài liệu của chúng tôi để tìm hiểu thêm về mọi khía cạnh của Ultralytics, đồng thời tham gia cộng đồng để cập nhật những phát triển mới nhất!
Nếu bạn muốn tìm hiểu về việc export các model Ultralytics YOLOv8 được huấn luyện tùy chỉnh và chạy inference trên webcam, hãy xem video đầy đủ Xem video đầy đủ!
