انتقل إلى المحتوى

تصنيف الصور

أمثلة على تصنيف الصور

تصنيف الصور هو أبسط المهام الثلاث ويتضمن تصنيف صورة كاملة في واحدة من مجموعة من الفئات المحددة مسبقا.

إخراج مصنف الصور هو تسمية فئة واحدة ودرجة ثقة. يكون تصنيف الصور مفيدا عندما تحتاج إلى معرفة الفئة التي تنتمي إليها الصورة فقط ولا تحتاج إلى معرفة مكان وجود كائنات تلك الفئة أو شكلها الدقيق.



شاهد: استكشف Ultralytics YOLO المهام: تصنيف الصور

بقشيش

YOLOv8 تصنيف النماذج استخدام -cls لاحقة ، أي yolov8n-cls.pt ويتم تدريبهم مسبقا على إيماج نت.

نماذج

YOLOv8 يتم عرض نماذج التصنيف المدربة مسبقا هنا. يتم تدريب نماذج الكشف والمقطع والوضع مسبقا على مجموعة بيانات COCO ، بينما يتم تدريب نماذج التصنيف مسبقا على مجموعة بيانات ImageNet .

يتم تنزيل الموديلات تلقائيا من الأحدثUltralytics حرر عند الاستخدام الأول.

نموذج حجم
(بكسل)
لجنه التنسيق الاداريه
أعلى 1
لجنه التنسيق الاداريه
أعلى 5
سرعة
وحده المعالجه المركزيه ONNX
(مللي ثانية)
سرعة
أ 100 TensorRT
(مللي ثانية)
المعلمات
(م)
يتخبط
(ب) عند 640
YOLOv8n-سي إل إس 224 69.0 88.3 12.9 0.31 2.7 4.3
YOLOv8s-سي إل إس 224 73.8 91.7 23.4 0.35 6.4 13.5
YOLOv8m-سي إل إس 224 76.8 93.5 85.4 0.62 17.0 42.7
YOLOv8l-سي إل إس 224 76.8 93.5 163.0 0.87 37.5 99.7
YOLOv8x-سي إل إس 224 79.0 94.6 232.0 1.01 57.4 154.8
  • لجنه التنسيق الاداريه القيم هي دقة نموذجية على إيماج نت مجموعة التحقق من صحة مجموعة البيانات.
    إعادة إنتاج بواسطة yolo val classify data=path/to/ImageNet device=0
  • سرعة تم حساب متوسطها عبر صور ImageNet val باستخدام أمازون EC2 P4d مثيل.
    إعادة إنتاج بواسطة yolo val classify data=path/to/ImageNet batch=1 device=0|cpu

قطار

قطار YOLOv8n-cls على مجموعة بيانات MNIST160 ل 100 حقبة بحجم الصورة 64. للحصول على قائمة كاملة بالوسيطات المتاحة، راجع صفحة التكوين .

مثل

from ultralytics import YOLO

# Load a model
model = YOLO('yolov8n-cls.yaml')  # build a new model from YAML
model = YOLO('yolov8n-cls.pt')  # load a pretrained model (recommended for training)
model = YOLO('yolov8n-cls.yaml').load('yolov8n-cls.pt')  # build from YAML and transfer weights

# Train the model
results = model.train(data='mnist160', epochs=100, imgsz=64)
# Build a new model from YAML and start training from scratch
yolo classify train data=mnist160 model=yolov8n-cls.yaml epochs=100 imgsz=64

# Start training from a pretrained *.pt model
yolo classify train data=mnist160 model=yolov8n-cls.pt epochs=100 imgsz=64

# Build a new model from YAML, transfer pretrained weights to it and start training
yolo classify train data=mnist160 model=yolov8n-cls.yaml pretrained=yolov8n-cls.pt epochs=100 imgsz=64

تنسيق مجموعة البيانات

YOLO يمكن العثور على تنسيق مجموعة بيانات التصنيف بالتفصيل في دليل مجموعة البيانات.

فال

التحقق من صحة المدربين YOLOv8n-دقة نموذج CLS على مجموعة بيانات MNIST160. لا حاجة لتمرير أي حجة على أنها model يحتفظ بتدريبه data والحجج كسمات نموذجية.

مثل

from ultralytics import YOLO

# Load a model
model = YOLO('yolov8n-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
yolo classify val model=yolov8n-cls.pt  # val official model
yolo classify val model=path/to/best.pt  # val custom model

تنبأ

استخدم مدربا YOLOv8n-CLS نموذج لتشغيل التنبؤات على الصور.

مثل

from ultralytics import YOLO

# Load a model
model = YOLO('yolov8n-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
yolo classify predict model=yolov8n-cls.pt source='https://ultralytics.com/images/bus.jpg'  # predict with official model
yolo classify predict model=path/to/best.pt source='https://ultralytics.com/images/bus.jpg'  # predict with custom model

شاهد التفاصيل predict تفاصيل الوضع في تنبأ صفحة.

تصدير

تصدير أ YOLOv8n-cls نموذج إلى تنسيق مختلف مثل ONNX, CoreMLالخ.

مثل

from ultralytics import YOLO

# Load a model
model = YOLO('yolov8n-cls.pt')  # load an official model
model = YOLO('path/to/best.pt')  # load a custom trained model

# Export the model
model.export(format='onnx')
yolo export model=yolov8n-cls.pt format=onnx  # export official model
yolo export model=path/to/best.pt format=onnx  # export custom trained model

متوفر YOLOv8-CLS تنسيقات التصدير في الجدول أدناه. يمكنك التنبؤ أو التحقق من صحة النماذج المصدرة مباشرة ، أي yolo predict model=yolov8n-cls.onnx. يتم عرض أمثلة الاستخدام للطراز الخاص بك بعد اكتمال التصدير.

تنسيق format جدال نموذج البيانات الوصفية الحجج
PyTorch - yolov8n-cls.pt -
TorchScript torchscript yolov8n-cls.torchscript imgsz, optimize
ONNX onnx yolov8n-cls.onnx imgsz, half, dynamic, simplify, opset
OpenVINO openvino yolov8n-cls_openvino_model/ imgsz, half, int8
TensorRT engine yolov8n-cls.engine imgsz, half, dynamic, simplify, workspace
CoreML coreml yolov8n-cls.mlpackage imgsz, half, int8, nms
TF SavedModel saved_model yolov8n-cls_saved_model/ imgsz, keras
TF GraphDef pb yolov8n-cls.pb imgsz
TF لايت tflite yolov8n-cls.tflite imgsz, half, int8
TF حافة TPU edgetpu yolov8n-cls_edgetpu.tflite imgsz
TF.شبيبه tfjs yolov8n-cls_web_model/ imgsz, half, int8
PaddlePaddle paddle yolov8n-cls_paddle_model/ imgsz
ncnn ncnn yolov8n-cls_ncnn_model/ imgsz, half

شاهد التفاصيل export التفاصيل في تصدير صفحة.



تم النشر في 2023-11-12, اخر تحديث 2024-02-03
المؤلفون: جلين جوشر (8) ، فكاكيون (1) ، chr043416@gmail.com (1) ، يضحك س (1) ، أيوشكسيل (1)

التعليقات