导出自定义训练的 Ultralytics YOLOv8 模型

努沃拉-拉迪

2 分钟阅读

2024年4月17日

使用 Ultralytics YOLOv8 探索自定义对象检测!了解如何在网络摄像头上训练、输出和运行实时推理!

请加入我们的行列,与我们一起深入了解 Ultralytics YOLOv8 的自定义对象检测功能。在这篇博文中,我们将探讨训练自定义模型、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。 

训练自定义物体检测模型

在上一个视频中,我们深入研究了在 Google Colab 的自定义杯子数据集上 训练YOLOv8 模型的过程。我们看到训练图在稳步改善,损失在减少,平均误差位置在增加。在此基础上,我们的特殊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有素并准备就绪,现在是探索下一个领域的时候了--导出训练有素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有素的计算机视觉模型,根据新的、未见过的数据进行预测或决策的过程。它是指模型使用输入数据(如图像),并通过学习到的参数和结构对其进行处理。然后,模型根据其训练任务产生输出,如分类、检测或分割。 

在实际操作中,推理通常涉及将训练有素的模型部署到生产环境中,用于实时或批量处理真实世界的数据。

导出训练有素的模型并运行推理

从 Colab 下载训练有素的模型权重后,我们就可以将其无缝导入 Python 环境,充分发挥自定义模型的潜力。

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,捕捉实时画面,并准确检测出不同的杯子。当我们的模型毫不费力地识别出各种形状、大小和颜色的杯子时,YOLOv8 的强大功能便跃然纸上,展示了它在实际应用场景中的多功能性和可靠性。

微调模型有几个好处。它们可以 检测、 分割 分类预训练模型可能不支持的对象。此外,它们还能帮助研究人员或数据科学家了解模型架构在实际数据集上的表现。

__wf_保留继承
图 1.Nicolai Nielsen概述了如何训练自定义模型、导出训练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输出训练好的权重以及在网络摄像头上运行实时推理,我们已经亲眼见证了 YOLOv8 的强大功能和多功能性。

加入我们的行列,利用 Ultralytics YOLOv8 发掘自定义对象检测的全部潜力。让我们一起,通过一次次的检测,塑造人工智能的未来。请访问 Ultralytics HUB 和我们的 文档,了解有关 Ultralytics 的更多信息,并加入我们的 社区,了解最新进展! 

如果您对导出自定义训练的 YOLOv8 模型和在网络摄像头上运行推理感兴趣,请点击此处观看完整视频

让我们共同打造人工智能的未来

开始您的未来机器学习之旅

免费开始
链接复制到剪贴板