导出经过自定义训练的 Ultralytics YOLOv8 模型
在 Google Colab 中训练自定义 Ultralytics YOLOv8 目标检测模型，导出训练好的权重，并仅用几行 Python 代码运行网络摄像头实时推理。
Nuvola Ladi2 分钟阅读
加入我们，一起深入了解使用 Ultralytics YOLOv8 进行自定义目标检测。本文将介绍自定义模型的训练流程、导出训练好的权重，以及在网络摄像头上运行实时推理。
训练自定义目标检测模型#
在之前的视频中，我们介绍了如何在 Google Colab 上使用杯子数据集在自定义数据集上训练 Ultralytics YOLOv8 模型。我们看到训练图表持续改善，损失不断降低，平均精度均值 (mAP) 不断提高。根据这些结果，我们的自定义模型现在可以非常准确地识别五种不同类型的杯子。
我们的自定义模型已经训练完成并准备就绪，现在可以探索下一步：导出训练好的权重，并在网络摄像头上运行实时推理。
模型推理是指使用训练好的计算机视觉模型，根据新的、未见过的数据进行预测或决策。模型会使用图像等输入数据，并通过学到的参数和结构对其进行处理。随后，模型会根据训练任务生成分类、检测或分割等输出。
在实际应用中，推理通常涉及将训练好的模型部署到生产环境中，以便实时处理真实世界数据，或在批处理场景中处理数据。
导出训练好的模型并运行推理#
从 Colab 下载训练好的模型权重后，我们可以将其加载到 Python 环境中，让自定义模型发挥作用。
只需几行代码，我们就可以设置 Python 脚本，在网络摄像头上运行实时推理，捕获实时画面并检测不同的杯子。模型可以识别各种形状、尺寸和颜色的杯子，展示其处理真实世界场景的能力。
微调后的模型有多项优势。它们可以检测、分割或分类预训练模型可能不支持的对象。此外，它们还可以帮助研究人员或数据科学家了解模型架构在真实世界数据集上的表现。
图 1. Nicolai Nielsen 介绍如何训练自定义模型、导出训练好的权重，以及在网络摄像头上运行实时推理。
总结#
从训练自定义模型，到导出训练好的权重，再到在网络摄像头上运行实时推理，我们已经了解了 Ultralytics YOLOv8 如何处理完整工作流。
准备好亲自尝试自定义目标检测了吗？访问 Ultralytics Platform 和我们的文档，了解所有 Ultralytics 相关信息，并加入我们的社区，及时掌握最新进展！
如果你想了解如何导出自定义训练的 Ultralytics YOLOv8 模型并在网络摄像头上运行推理，观看完整视频！
作者
评论
提出问题、分享你的结果，或帮助其他人。
