Xuất mô hình Ultralytics YOLOv8 được huấn luyện tùy chỉnh

Hãy cùng chúng tôi tìm hiểu sâu hơn về 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, xuất trọng số đã huấn luyện và chạy inference trực tiếp trên webcam.

Link to this sectionHuấn luyện một model phát hiện đối tượng tùy chỉnh#

Trong video trước, chúng tôi đã đi sâu vào lĩnh vực huấn luyện một model YOLOv8 trên tập dữ liệu cốc tùy chỉnh trong Google Colab. Chúng ta đã thấy biểu đồ huấn luyện cải thiện ổn định, với mức loss giảm và mAP tăng lên. Dựa vào đó, model đặc biệt của chúng tôi giờ đây có thể xác định năm loại cốc khác nhau một cách rất chính xác.

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.

Link to this sectionXuất 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.

Sử dụng một vài dòng code, chúng ta có thể thiết lập một script Python để chạy inference trực tiếp trên webcam, ghi lại cảnh quay thời gian thực và phát hiện các loại cốc khác nhau với độ chính xác ấn tượng. Sức mạnh của YOLOv8 tỏa sáng khi model của chúng tôi xác định dễ dàng các loại cốc với hình dạng, kích thước và màu sắc khác nhau, thể hiện tính linh hoạt và độ tin cậy trong các tình huống thực tế.

Fine-tuning model mang lại nhiều lợi ích. Chúng có thể detect, segment, hoặc classify các đối tượng mà các model được huấn luyện trước có thể không hỗ trợ. Ngoài ra, chúng có thể hỗ trợ các nhà nghiên cứu hoặc nhà khoa học dữ liệu trong việc hiểu cách cấu trúc model hoạt động trên các tập dữ liệu thực tế.

Hình 1. Nicolai Nielsen phác thảo cách huấn luyện một model tùy chỉnh, xuất trọng số đã huấn luyện và chạy inference trực tiếp trên webcam.

Link to this sectionTóm tắt#

Từ việc huấn luyện một model tùy chỉnh đến xuất trọng số đã huấn luyện và chạy inference trực tiếp trên webcam, chúng ta đã tận mắt chứng kiến sức mạnh và tính linh hoạt của YOLOv8.

Hãy tham gia cùng chúng tôi trong hành trình khai phá toàn bộ tiềm năng của phát hiện đối tượng tùy chỉnh với Ultralytics YOLOv8. Cùng nhau, hãy định hình tương lai của AI thông qua từng lượt phát hiện. Hãy xem Ultralytics Platform, và docs của chúng tôi để biết thêm thông tin về mọi thứ liên quan đến Ultralytics, cũng như tham gia community của chúng tôi để cập nhật những phát triển mới nhất!

Nếu bạn muốn tìm hiểu về cách xuất các model YOLOv8 đã huấn luyện tùy chỉnh và chạy inference trên webcam, hãy xem video đầy đủ Watch the full video!