Skip to main content
تعديل الصفحة على GitHub (EN)

تصنيف الصور

YOLO image classification of objects and scenes

تصنيف الصور هو أبسط المهام الثلاث ويتضمن تصنيف صورة بالكامل إلى واحدة من مجموعة من الفئات المحددة مسبقًا.

مخرجات مصنف الصور هي تسمية فئة واحدة ودرجة ثقة. تصنيف الصور مفيد عندما تحتاج فقط إلى معرفة الفئة التي تنتمي إليها الصورة ولا تحتاج إلى معرفة مكان وجود كائنات تلك الفئة أو شكلها الدقيق.



Watch: Explore Ultralytics YOLO Tasks: Image Classification using Ultralytics Platform
تلميح

تستخدم نماذج YOLO26 Classify اللاحقة -cls-clsyolo26n-cls.pt، أي ImageNet.

YOLO26n-cls

، وهي مدربة مسبقًا على COCOنماذجImageNetيتم عرض نماذج YOLO26 المدربة مسبقًا للتصنيف هنا. نماذج الكشف والتجزئة وتحديد الوضع مدربة مسبقًا على مجموعة بيانات

YOLO26n-cls، بينما نماذج التصنيف مدربة مسبقًا على مجموعة بيانات ImageNet يتم تنزيلها تلقائيًا من أحدث إصدار لـ Ultralytics

النموذجالحجم
(بالبكسل)		الدقة
top1		الدقة
top5		السرعة
CPU ONNX
(ms)		السرعة
T4 TensorRT10
(ms)		المعلمات
(M)		FLOPs
(B) عند 224
YOLO26n-cls22471.490.15.0 ± 0.31.1 ± 0.02.80.5
YOLO26s-cls22476.0إصدارعند الاستخدام الأول.92.97.9 ± 0.21.3 ± 0.0
6.72241.6YOLO26m-cls78.194.217.2 ± 0.42.0 ± 0.0
11.62244.9YOLO26l-cls79.094.623.2 ± 0.32.8 ± 0.0
14.12246.2YOLO26x-cls79.995.041.4 ± 0.93.8 ± 0.0
  • الدقة29.6ImageNet13.6
    قيم mAP50-95 هي دقة النموذج على مجموعة التحقق من مجموعة بيانات yolo val classify data=path/to/ImageNet device=0
  • السرعةImageNet مجموعة البيانات. أعد الإنتاج بواسطة
    قيم mAP50-95 هي دقة النموذج على مجموعة التحقق من مجموعة بيانات yolo val classify data=path/to/ImageNet batch=1 device=0|cpu
  • yolo classify val model=yolo26n-cls.pt dataset=imagenet و FLOPs بمتوسط على صور التحقق من ImageNet باستخدام مثيل model.fuse()Amazon EC2 P4d

Train

. قيم حقبة (epochs)Paramsالإعدادات.

مثال
from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n-cls.yaml")  # build a new model from YAML
model = YOLO("yolo26n-cls.pt")  # load a pretrained model (recommended for training)
model = YOLO("yolo26n-cls.yaml").load("yolo26n-cls.pt")  # build from YAML and transfer weights

# Train the model
results = model.train(data="mnist160", epochs=100, imgsz=64)
تلميح

هي للنموذج المدمج بعد torchvision.transforms.RandomResizedCropFusiontorchvision.transforms.CenterCrop، والذي يدمج طبقات Conv و BatchNorm. تحتفظ نقاط التحقق المدربة مسبقًا بالبنية التدريبية الكاملة وقد تظهر أعدادًا أعلى.torchvision.transforms.Resizeتدريب YOLO26n-cls على مجموعة بيانات MNIST160 لـ 100

epochsClassificationDataset و ClassificationTrainer.

import torch
import torchvision.transforms as T

from ultralytics import YOLO
from ultralytics.data.dataset import ClassificationDataset
from ultralytics.models.yolo.classify import ClassificationTrainer, ClassificationValidator

class CustomizedDataset(ClassificationDataset):
    """A customized dataset class for image classification with enhanced data augmentation transforms."""

    def __init__(self, root: str, args, augment: bool = False, prefix: str = ""):
        """Initialize a customized classification dataset with enhanced data augmentation transforms."""
        super().__init__(root, args, augment, prefix)

        # Add your custom training transforms here
        train_transforms = T.Compose(
            [
                T.Resize((args.imgsz, args.imgsz)),
                T.RandomHorizontalFlip(p=args.fliplr),
                T.RandomVerticalFlip(p=args.flipud),
                T.RandAugment(interpolation=T.InterpolationMode.BILINEAR),
                T.ColorJitter(brightness=args.hsv_v, contrast=args.hsv_v, saturation=args.hsv_s, hue=args.hsv_h),
                T.ToTensor(),
                T.Normalize(mean=torch.tensor(0), std=torch.tensor(1)),
                T.RandomErasing(p=args.erasing, inplace=True),
            ]
        )

        # Add your custom validation transforms here
        val_transforms = T.Compose(
            [
                T.Resize((args.imgsz, args.imgsz)),
                T.ToTensor(),
                T.Normalize(mean=torch.tensor(0), std=torch.tensor(1)),
            ]
        )
        self.torch_transforms = train_transforms if augment else val_transforms

class CustomizedTrainer(ClassificationTrainer):
    """A customized trainer class for YOLO classification models with enhanced dataset handling."""

    def build_dataset(self, img_path: str, mode: str = "train", batch=None):
        """Build a customized dataset for classification training and the validation during training."""
        return CustomizedDataset(root=img_path, args=self.args, augment=mode == "train", prefix=mode)

class CustomizedValidator(ClassificationValidator):
    """A customized validator class for YOLO classification models with enhanced dataset handling."""

    def build_dataset(self, img_path: str, mode: str = "train"):
        """Build a customized dataset for classification standalone validation."""
        return CustomizedDataset(root=img_path, args=self.args, augment=mode == "train", prefix=self.args.split)

model = YOLO("yolo26n-cls.pt")
model.train(data="imagenet1000", trainer=CustomizedTrainer, epochs=10, imgsz=224, batch=64)
model.val(data="imagenet1000", validator=CustomizedValidator, imgsz=224, batch=64)

بحجم صورة 64. للحصول على قائمة كاملة بالوسائط المتاحة، راجع

Configurationيستخدم تصنيف Ultralytics YOLO CenterCropمنصة Ultralytics.

Val

للتدريب و دقةResizemodel بـ data والوسائط الخاصة بالتدريب كسمات للنموذج.

مثال
from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n-cls.pt")  # load an official model
model = YOLO("path/to/best.pt")  # load a custom model

# Validate the model
metrics = model.val()  # no arguments needed, dataset and settings remembered
metrics.top1  # top1 accuracy
metrics.top5  # top5 accuracy
تلميح

للتحقق والاستدلال. تفترض هذه التحويلات القائمة على القص مدخلات مربعة وقد تؤدي عن غير قصد إلى قص مناطق مهمة من الصور ذات نسب العرض إلى الارتفاع المتطرفة، مما قد يتسبب في فقدان معلومات بصرية حاسمة أثناء التدريب. للحفاظ على الصورة الكاملة مع الحفاظ على نسبها، فكر في استخدام LetterBox بدلاً من تحويلات القص.ClassificationTrainerيمكنك تنفيذ ذلك عن طريق تخصيص خط أنابيب الزيادة الخاص بك من خلال ClassificationValidator عند استدعاء الطريقة val()إعداد بيانات مخصصLetterBoxتنسيق مجموعة بيانات تصنيف YOLO يمكن العثور عليه بالتفصيل في

التنبؤ

دليل مجموعة البيانات

مثال
from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n-cls.pt")  # load an official model
model = YOLO("path/to/best.pt")  # load a custom model

# Predict with the model
results = model("https://ultralytics.com/images/bus.jpg")  # predict on an image

شاهد كامل predict. يمكن أيضًا إدارة مجموعات بيانات التصنيف وتسميتها على التنبؤ.

Export

Roboflow

مثال
from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n-cls.pt")  # load an official model
model = YOLO("path/to/best.pt")  # load a custom-trained model

# Export the model
model.export(format="onnx")

التحقق من صحة نموذج YOLO26n-cls المدرب format، أي format='onnx' أو format='engine'. يمكنك التنبؤ أو التحقق مباشرة من النماذج المُصدرة، أي yolo predict model=yolo26n-cls.onnxyolo classify val model=yolo26n-cls.pt data=mnist160

التنسيقformat وسيطالنموذجالبيانات الوصفيةالوسائط
PyTorch-yolo26n-cls.pt✅-
TorchScripttorchscriptyolo26n-cls.torchscript✅imgsz, half, dynamic, optimize, nms, batch, device
ONNXonnxyolo26n-cls.onnx✅imgsz, half, dynamic, simplify, opset, nms, batch, device
OpenVINOopenvinoyolo26n-cls_openvino_model/✅imgsz, half, dynamic, int8, nms, batch, data, fraction, device
TensorRTengineyolo26n-cls.engine✅imgsz, half, dynamic, simplify, workspace, int8, nms, batch, data, fraction, device
CoreMLcoremlyolo26n-cls.mlpackage✅imgsz, dynamic, half, int8, nms, batch, device
TF SavedModelsaved_modelyolo26n-cls_saved_model/✅imgsz, keras, int8, nms, batch, data, fraction, device
TF GraphDefpbyolo26n-cls.pb❌imgsz, batch, device
TF Litetfliteyolo26n-cls.tflite✅imgsz, half, int8, nms, batch, data, fraction, device
TF Edge TPUedgetpuyolo26n-cls_edgetpu.tflite✅imgsz, int8, data, fraction, device
TF.jstfjsyolo26n-cls_web_model/✅imgsz, half, int8, nms, batch, data, fraction, device
PaddlePaddlepaddleyolo26n-cls_paddle_model/✅imgsz, batch, device
MNNmnnyolo26n-cls.mnn✅imgsz, batch, int8, half, device
NCNNncnnyolo26n-cls_ncnn_model/✅imgsz, half, batch, device
IMX500imxyolo26n-cls_imx_model/✅imgsz, int8, data, fraction, nms, device
RKNNrknnyolo26n-cls_rknn_model/✅imgsz, batch, name, device
ExecuTorchexecutorchyolo26n-cls_executorch_model/✅imgsz, batch, device
Axeleraaxelerayolo26n-cls_axelera_model/✅imgsz, batch, int8, data, fraction, device

شاهد كامل export تفاصيل في صفحة Export.

الأسئلة الشائعة (FAQ)

على مجموعة بيانات MNIST160. لا يلزم وجود وسائط حيث يتم استخدام

model.argsyolo26n-cls.ptكما هو مذكور في

قسم التدريب

، يمكنك التعامل مع نسب العرض إلى الارتفاع المتطرفة أثناء التدريب باستخدام yolo26n-clsData Augmentation

مثال
from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n-cls.pt")  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data="mnist160", epochs=100, imgsz=64)

مخصص. تحتاج إلى تطبيق نفس النهج للحصول على نتائج تحقق متسقة من خلال تنفيذ طريقة الإعدادات.

custom_preprocess_fn

. راجع مثال الكود الكامل في YOLO26n-clsالتوثيقyolo26n-cls.pt, yolo26s-cls.pt, yolo26m-cls.pt للحصول على تفاصيل التنفيذ.ImageNetاستخدم نموذج YOLO26n-cls مدرب لتشغيل التنبؤات على الصور.

تفاصيل وضع

Predict

مثال
from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n-cls.pt")  # load the trained model

# Export the model to ONNX
model.export(format="onnx")

في Export.

التوثيق

تصدير نموذج YOLO26n-cls إلى تنسيق مختلف مثل ONNX، CoreML، إلخ.

مثال
from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n-cls.pt")  # load the trained model

# Validate the model
metrics = model.val()  # no arguments needed, uses the dataset and settings from training
metrics.top1  # top1 accuracy
metrics.top5  # top5 accuracy

لمزيد من المعلومات، قم بزيارةتنسيقات تصدير YOLO26-cls المتاحة موجودة في الجدول أدناه. يمكنك التصدير إلى أي تنسيق باستخدام .

Contributors
تعديل الصفحة على GitHub (EN)
GLglenn-jocher25BUBurhan-Q4LALaughing-q3AMambitious-octopus3RIRizwanMunawar3RAraimbekovm2PDpderrenger2PIpicsalex2MAMatthewNoyce1FCfcakyon1

التعليقات