Xuất mô hình Ultralytics YOLOv8 được huấn luyện tùy chỉnh
Khám phá tính năng phát hiện đối tượng tùy chỉnh với Ultralytics YOLOv8! Tìm hiểu cách huấn luyện, xuất mô hình và chạy suy luận trực tiếp trên webcam!
Hãy cùng chúng tôi tìm hiểu sâu hơn về phát hiện đối tượng tùy chỉnh với Ultralytics YOLOv8. Trong bài viết này, chúng tôi sẽ khám phá quy trình chi tiết để train một model tùy chỉnh, export các trọng số đã được train và chạy inference trực tiếp trên webcam.
Huấn luyện một model phát hiện đối tượng tùy chỉnh#
Trong video trước, chúng ta đã tìm hiểu về việc training model Ultralytics YOLOv8 trên một dataset cốc tùy chỉnh trong Google Colab. Chúng ta đã thấy biểu đồ training cải thiện đều đặn, với loss giảm dần và mAP tăng lên. Dựa vào đó, model đặc biệt của chúng ta giờ đây có thể nhận diện năm loại cốc khác nhau với độ chính xác rất cao.
Với model tùy chỉnh đã huấn luyện và sẵn sàng, đã đến lúc khám phá bước tiếp theo—xuất trọng số đã huấn luyện và chạy inference trực tiếp trên webcam.
Model inference 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. Đó là khi model sử dụng dữ liệu đầu vào, ví dụ như hình ảnh, và xử lý thông qua cấu trúc và các tham số đã học của nó. Model sau đó tạo ra đầu ra, như phân loại, phát hiện hoặc phân đoạn, dựa trên tác vụ huấn luyện của nó.
Về mặt thực tiễn, inference thường bao gồm việc triển khai model đã huấn luyện vào môi trường sản xuất, nơi nó có thể được sử dụng để xử lý dữ liệu thực tế trong các tình huống thời gian thực hoặc xử lý hàng loạt.
Xuất và chạy inference với model đã huấn luyện#
Với trọng số model đã huấn luyện được tải xuống từ Colab, chúng ta có thể import chúng một cách liền mạch vào môi trường Python, sẵn sàng giải phóng toàn bộ tiềm năng của model tùy chỉnh.
Chỉ với vài dòng code, chúng ta có thể thiết lập một script Python để chạy live inference trên webcam, ghi lại thước phim 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 ràng khi model của chúng ta dễ dàng nhận diện các loại cốc có hình dạng, kích thước và màu sắc khác nhau, cho thấy tính linh hoạt và độ tin cậy trong các tình huống thực tế.
Fine-tuning model mang lại một số lợi ích. Chúng có thể detect, segment hoặc classify các đối tượng mà model pretrained có thể không hỗ trợ. Ngoài ra, chúng có thể hỗ trợ các nhà nghiên cứu hoặc nhà khoa học dữ liệu hiểu cách kiến trúc model hoạt động trên các dataset thực tế.
Hình 1. Nicolai Nielsen phác thảo cách train model tùy chỉnh, export các trọng số đã được train và chạy inference trực tiếp trên webcam.
Tóm tắt#
Từ việc training một model tùy chỉnh cho đến export các trọng số đã được train và chạy live inference trên webcam, chúng ta đã tận mắt chứng kiến sức mạnh và tính linh hoạt của Ultralytics YOLOv8.
Hãy đồng hành cùng chúng tôi trong hành trình khai thác toàn bộ tiềm năng của phát hiện đối tượng tùy chỉnh với Ultralytics YOLOv8. Cùng nhau, hãy định hình tương lai của AI qua từng lượt detection. Hãy xem Ultralytics Platform và docs của chúng tôi để biết thêm thông tin chi tiết về mọi thứ liên quan đến Ultralytics, đồng thời tham gia community của chúng tôi để cập nhật những phát triển mới nhất!
Nếu bạn tò mò về việc export các model Ultralytics YOLOv8 được train tùy chỉnh và chạy inference trên webcam, hãy xem toàn bộ video Watch the full video!
