导出自定义训练的 Ultralytics YOLOv8 模型

和我们一起深入了解使用 Ultralytics YOLOv8 进行自定义目标检测。在这篇博客文章中，我们将探讨训练自定义模型、导出训练好的权重以及在网络摄像头上运行实时推理的复杂过程。

训练自定义目标检测模型#

在上一期视频中，我们深入探讨了如何在 Google Colab 上使用自定义杯子数据集训练 Ultralytics YOLOv8 模型。我们看到训练图表稳步提升，损失值在下降，平均精度均值 (mAP) 在上升。基于此，我们的专用模型现在能够非常准确地识别五种不同类型的杯子。

随着我们的自定义模型训练完成并准备就绪，现在是探索下一个前沿领域的时候了——导出训练好的权重并在网络摄像头上运行实时推理。

模型推理是利用训练好的计算机视觉模型，根据新的、未见过的数据做出预测或决策的过程。在此过程中，模型使用输入数据（例如图像），并通过其学习到的参数和结构进行处理。然后，模型根据其训练任务产生输出，例如分类、检测或分割。

从实际应用角度来看，推理通常涉及将训练好的模型部署到生产环境中，在实时或批处理场景下处理现实世界的数据。

导出并使用训练好的模型运行推理#

从 Colab 下载训练好的模型权重后，我们可以将它们无缝导入 Python 环境中，准备好释放我们自定义模型的全部潜力。

只需几行代码，我们就可以编写一个 Python 脚本在网络摄像头上运行实时推理，捕获实时画面并以令人印象深刻的准确率检测不同的杯子。当我们的模型轻松识别各种形状、大小和颜色的杯子时，Ultralytics YOLOv8 的强大功能便展现得淋漓尽致，彰显了其在现实场景中的多功能性和可靠性。

微调模型具有多项优势。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，它们还可以协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 概述了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并在网络摄像头上运行实时推理，我们亲眼见证了 Ultralytics YOLOv8 的强大功能和多功能性。

加入我们，共同发掘 Ultralytics YOLOv8 自定义目标检测的全部潜能。让我们携手共创 AI 的未来，每一次检测都不容错过。查看 Ultralytics Platform 以及我们的文档了解有关 Ultralytics 的所有详细信息，并加入我们的社区以随时了解最新动态！

如果你对导出自定义训练的 Ultralytics YOLOv8 模型并在网络摄像头上运行推理感兴趣，请观看完整视频Watch the full video！