导出经过自定义训练的 Ultralytics YOLOv8 模型

加入我们，一起深入了解使用 Ultralytics YOLOv8 进行自定义目标检测。在这篇博文中，我们将探索训练自定义模型、导出训练后的权重，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#

在我们之前的视频中，我们深入探讨了如何在 Google Colab 中使用自定义杯子数据集训练 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。基于此，我们的专用模型现在可以非常准确地识别五种不同类型的杯子。

现在我们的自定义模型已经训练完成并准备就绪，是时候探索下一个前沿领域了——导出训练后的权重，并在网络摄像头上运行实时推理。

模型推理是指使用经过训练的计算机视觉模型，根据新的、未见过的数据进行预测或决策的过程。在这一过程中，模型会使用输入数据（例如图像），并通过其学习到的参数和结构对数据进行处理。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，推理通常包括将训练好的模型部署到生产环境中，使其能够在实时或批处理场景下处理真实世界的数据。

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，我们可以将其无缝导入 Python 环境，准备充分发挥自定义模型的全部潜力。

只需几行代码，我们就可以设置一个 Python 脚本，在网络摄像头上运行实时推理，捕获实时画面并以出色的准确率检测不同的杯子。Ultralytics YOLOv8 的强大能力展露无遗：我们的模型可以轻松识别各种形状、大小和颜色的杯子，展现出其在真实场景中的多功能性和可靠性。

微调模型有多项优势。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、导出训练后的权重，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，到导出训练后的权重，再到在网络摄像头上运行实时推理，我们亲眼见证了 Ultralytics YOLOv8 的强大能力和多功能性。

加入我们，一起探索 Ultralytics YOLOv8 在自定义目标检测中的全部潜力。让我们共同塑造 AI 的未来，一次检测一个目标。查看 Ultralytics Platform 和我们的文档，详细了解 Ultralytics 的各项内容，并加入我们的社区，及时了解最新进展！

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，请观看完整视频：观看完整视频！