Entdecke die benutzerdefinierte Objekterkennung mit Ultralytics YOLOv8 ! Lerne, wie man eine Webcam trainiert, exportiert und Live-Inferenz durchführt!
Wir werfen einen genaueren Blick auf die benutzerdefinierte Objekterkennung mit Ultralytics YOLOv8. In diesem Blogpost werden wir den komplizierten Prozess des Trainings eines benutzerdefinierten Modells, des Exports der trainierten Gewichte und der Live-Inferenz auf einer Webcam untersuchen.
In unserem letzten Video haben wir uns mit dem Training eines YOLOv8 Modells auf einem benutzerdefinierten Cups-Datensatz in Google Colab beschäftigt. Wir sahen, wie sich die Trainingskurve stetig verbesserte, wobei der Verlust abnahm und die mittlere Fehlerposition zunahm. Auf dieser Grundlage kann unser spezielles Modell nun fünf verschiedene Tassentypen sehr genau erkennen.
Nachdem unser benutzerdefiniertes Modell trainiert wurde und einsatzbereit ist, ist es an der Zeit, die nächste Stufe zu erkunden: das Exportieren der trainierten Gewichte und die Live-Inferenz über eine Webcam.
Modellinferenz ist der Prozess, bei dem ein trainiertes Computer Vision Modell verwendet wird, um Vorhersagen oder Entscheidungen auf der Grundlage neuer, ungesehener Daten zu treffen. Dabei verwendet das Modell Eingabedaten, wie z. B. ein Bild, und verarbeitet sie mit Hilfe seiner gelernten Parameter und Struktur. Das Modell erzeugt dann eine Ausgabe, wie z. B. Klassifizierung, Erkennung oder Segmentierung, die auf seiner Trainingsaufgabe basiert.
In der Praxis bedeutet Inferenz oft, dass das trainierte Modell in einer Produktionsumgebung eingesetzt wird, wo es zur Verarbeitung von realen Daten in Echtzeit- oder Stapelverarbeitungsszenarien verwendet werden kann.
Mit den trainierten Modellgewichten, die wir von Colab heruntergeladen haben, können wir sie nahtlos in eine Python Umgebung importieren, um das volle Potenzial unseres benutzerdefinierten Modells auszuschöpfen.
Mit ein paar Zeilen Code können wir ein Python Skript einrichten, das Live-Inferenz auf einer Webcam ausführt, Echtzeitaufnahmen macht und verschiedene Tassen mit beeindruckender Genauigkeit erkennt. Die Leistungsfähigkeit von YOLOv8 zeigt sich darin, dass unser Modell mühelos Tassen in verschiedenen Formen, Größen und Farben erkennt und damit seine Vielseitigkeit und Zuverlässigkeit in der Praxis unter Beweis stellt.
Feinabstimmungsmodelle bieten mehrere Vorteile. Sie können Objekte erkennen, segmentieren oder klassifizieren, die von vortrainierten Modellen nicht unterstützt werden. Außerdem können sie Forschern und Datenwissenschaftlern dabei helfen, zu verstehen, wie die Modellarchitektur in realen Datensätzen funktioniert.
Vom Training eines benutzerdefinierten Modells über den Export der trainierten Gewichte bis hin zur Live-Inferenz über eine Webcam haben wir die Leistungsfähigkeit und Vielseitigkeit von YOLOv8 aus erster Hand erfahren.
Begleite uns in unserem Bestreben, das volle Potenzial der benutzerdefinierten Objekterkennung mit Ultralytics YOLOv8 zu erschließen. Lass uns gemeinsam die Zukunft der KI gestalten, eine Erkennung nach der anderen. Auf Ultralytics HUB und in unseren Dokumenten findest du weitere Informationen zu Ultralytics . Werde Mitglied unserer Community, um über die neuesten Entwicklungen auf dem Laufenden zu bleiben!
Wenn du neugierig bist, wie du die trainierten Modelle von YOLOv8 exportierst und Inferenzen über die Webcam durchführst, dann schau dir das ganze Video hier an!
Beginne deine Reise in die Zukunft des maschinellen Lernens
