تصنيف الصور باستخدام Ultralytics YOLO#

تصنيف الصور هو أبسط المهام المدعومة، ويتضمن تصنيف الصورة بأكملها ضمن فئة واحدة من مجموعة فئات محددة مسبقًا.

يكون ناتج مصنّف الصور تسمية فئة واحدة ودرجة ثقة. ويكون تصنيف الصور مفيدًا عندما تحتاج فقط إلى معرفة الفئة التي تنتمي إليها الصورة، ولا تحتاج إلى معرفة مواقع الكائنات من تلك الفئة أو أشكالها الدقيقة.

النماذج#

تظهر أدناه نماذج YOLO26 Classify المدرّبة مسبقًا على مجموعة بيانات ImageNet.

تُنزّل النماذج تلقائيًا من أحدث إصدار من Ultralytics عند استخدامها لأول مرة.

• تمثل قيم acc دقة النماذج على مجموعة التحقق من ImageNet.
  أعِد إنتاجها باستخدام yolo classify val data=path/to/ImageNet device=0
• متوسط السرعة على صور التحقق من ImageNet باستخدام ONNX على CPU وTensorRT10 على وحدة معالجة الرسوميات NVIDIA T4.
  أعِد إنتاجها باستخدام yolo classify val data=path/to/ImageNet batch=1 device=0|cpu
• قيم Params وFLOPs محسوبة للنموذج بعد model.fuse()، الذي يدمج طبقات Conv وBatchNorm. تحتفظ نقاط التحقق المدرّبة مسبقًا ببنية التدريب الكاملة، وقد تُظهر أعدادًا أعلى.

راجع معاينة YOLO27 غير المُصدرة للاطلاع على السرعة الأولية للتصنيف وأحجام النماذج.

التدريب#

درّب YOLO26n-cls على مجموعة بيانات MNIST160 لمدة 100 حقبة بحجم صورة 64. للاطلاع على القائمة الكاملة للوسيطات المتاحة، راجع صفحة الإعدادات.

from ultralytics import YOLO

# ⁨تحميل نموذج⁩
model = YOLO("yolo26n-cls.yaml")  # ⁨إنشاء نموذج جديد من YAML⁩
model = YOLO("yolo26n-cls.pt")  # ⁨تحميل نموذج مدرّب مسبقًا (موصى به للتدريب)⁩
model = YOLO("yolo26n-cls.yaml").load("yolo26n-cls.pt")  # ⁨الإنشاء من YAML ونقل الأوزان⁩

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

راجع التفاصيل الكاملة لوضع train في صفحة التدريب. ويمكن أيضًا تدريب نماذج التصنيف باستخدام التدريب السحابي على Ultralytics Platform.

تنسيق مجموعة البيانات#

ترد تفاصيل تنسيق مجموعة بيانات تصنيف YOLO في دليل مجموعات البيانات. ويمكن أيضًا إدارة مجموعات بيانات التصنيف ووضع التسميات عليها باستخدام أدوات التعليقات التوضيحية في Ultralytics Platform.

تحويلات مخصصة#

يستخدم تصنيف Ultralytics YOLO torchvision.transforms.RandomResizedCrop للتدريب وtorchvision.transforms.CenterCrop للتحقق والاستدلال. تفترض هذه التحويلات القائمة على الاقتصاص أن المدخلات مربعة، وقد تقتطع مناطق مهمة من الصور ذات نسب العرض إلى الارتفاع الشديدة. للاحتفاظ بالصورة كاملة، استبدل عمليات الاقتصاص بـ torchvision.transforms.Resize، الذي يغيّر الحجم إلى imgsz × imgsz بدلًا من الاقتصاص، عبر ClassificationDataset وClassificationTrainer وClassificationValidator مخصصة:

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 = "", names=None):
        """Initialize a customized classification dataset with enhanced data augmentation transforms."""
        super().__init__(root, args, augment, prefix, names)

        # ⁨أضف تحويلات التدريب المخصصة هنا⁩
        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),
            ]
        )

        # ⁨أضف تحويلات التحقق المخصصة هنا⁩
        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="train" if mode == "train" else self.args.split,
            names=self.data["names"],
        )

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

    def build_dataset(self, img_path: str):
        """Build a customized dataset for classification standalone validation (no augmentation)."""
        return CustomizedDataset(root=img_path, args=self.args, augment=False, prefix=self.args.split, names=self.names)

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

التحقق#

تحقق من دقة نموذج YOLO26n-cls المدرّب. لا حاجة إلى وسيطات، إذ يحتفظ model ببيانات data الخاصة بالتدريب ووسيطاته ضمن سمات النموذج: يتحقق path/to/best.pt من المثال الوارد في التدريب على MNIST160. تسجل الأوزان الرسمية مسار مجموعة بيانات التدريب الذي لا يوجد على جهازك، لذا تعود إلى imagenet10 الافتراضي للمهمة مع إصدار تحذير. مرّر data للتحقق باستخدام مجموعة بيانات أخرى.

from ultralytics import YOLO

# ⁨تحميل نموذج⁩
model = YOLO("yolo26n-cls.pt")  # ⁨حمّل نموذجًا رسميًا⁩
model = YOLO("path/to/best.pt")  # ⁨تحميل نموذج مخصص⁩

# ⁨تحقّق من النموذج⁩
metrics = model.val()  # ⁨لا حاجة إلى وسيطات؛ إذ تُحفظ مجموعة البيانات والإعدادات⁩
metrics.top1  # top1 accuracy
metrics.top5  # top5 accuracy

التنبؤ#

استخدم نموذج YOLO26n-cls مدرّبًا لإجراء تنبؤات على الصور.

from ultralytics import YOLO

# ⁨تحميل نموذج⁩
model = YOLO("yolo26n-cls.pt")  # ⁨حمّل نموذجًا رسميًا⁩
model = YOLO("path/to/best.pt")  # ⁨تحميل نموذج مخصص⁩

# ⁨أجرِ التنبؤ باستخدام النموذج⁩
results = model("https://ultralytics.com/images/bus.jpg")  # ⁨أجرِ التنبؤ على صورة⁩

# ⁨الوصول إلى النتائج⁩
for result in results:
    top1 = result.probs.top1  # ⁨معرّف الفئة الأعلى تنبؤًا⁩
    top1_conf = result.probs.top1conf  # ⁨درجة الثقة لأعلى تنبؤ⁩
    top1_name = result.names[top1]  # ⁨اسم الفئة الأعلى تنبؤًا⁩

اطّلع على التفاصيل الكاملة لوضع predict في صفحة التنبؤ.

مخرجات النتائج#

يعيد تصنيف الصور كائن Results واحدًا لكل صورة. حقل التنبؤ الأساسي هو result.probs، الذي يحتوي على متجه احتمالات الفئات ودوال مساعدة للتنبؤات الأعلى ترتيبًا.

للاطلاع على حقول Results الخاصة بكل مهمة، راجع قسم نتائج التنبؤ حسب المهمة.

التصدير#

صدّر نموذج YOLO26n-cls إلى تنسيق آخر مثل ONNX أو CoreML، إلخ.

from ultralytics import YOLO

# ⁨تحميل نموذج⁩
model = YOLO("yolo26n-cls.pt")  # ⁨حمّل نموذجًا رسميًا⁩
model = YOLO("path/to/best.pt")  # ⁨تحميل نموذج مخصص⁩

# ⁨صدّر النموذج⁩
model.export(format="onnx")

ترد تنسيقات التصدير المتاحة لـ YOLO26-cls في الجدول أدناه. يمكنك التصدير إلى أي تنسيق باستخدام الوسيطة format، مثل format='onnx' أو format='engine'. ويمكنك إجراء التنبؤ أو التحقق مباشرةً على النماذج المُصدرة، مثل yolo predict model=yolo26n-cls.onnx. تظهر أمثلة الاستخدام لنموذجك بعد اكتمال التصدير.

يعتمد nms=None على المخرجات الأولية لإجراء NMS خارجي. اضبط nms=False لتحديد رأس متاح خالٍ من NMS؛ وتعود التنسيقات غير المدعومة إلى مسار المخرجات الأصلي الخاص بها. تحدد إدخالات nms أعلاه التنسيقات التي يمكنها تضمين NMS باستخدام nms=True.

اطّلع على التفاصيل الكاملة لـexport في صفحة التصدير.

الأسئلة الشائعة#