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 باستخدام Ultralytics محور
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 الأحدث Ultralytics حرر عند الاستخدام الأول.
نموذج | حجم (بكسل) |
لجنه التنسيق الاداريه أعلى 1 |
لجنه التنسيق الاداريه أعلى 5 |
السرعة CPU 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 بواسطةyolo val classify data=path/to/ImageNet device=0
- سرعة تم حساب متوسطها عبر صور ImageNet val باستخدام أمازون EC2 P4d مثيل.
إعادة إنتاج بواسطةyolo 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
تحتفظ بتدريبها 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
تنبأ
استخدم مدربا YOLOv8n-CLS نموذج لتشغيل التنبؤات على الصور.
مثل
شاهد التفاصيل predict
تفاصيل الوضع في تنبأ صفحة.
تصدير
تصدير أ YOLOv8n-cls نموذج إلى تنسيق مختلف مثل ONNX, CoreMLالخ.
مثل
ترد تنسيقات التصدير المتاحة YOLOv8-cls في الجدول أدناه. يمكنك التصدير إلى أي تنسيق باستخدام format
الحجة ، أي format='onnx'
أو format='engine'
. 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 , batch |
ONNX | onnx |
yolov8n-cls.onnx |
✅ | imgsz , half , dynamic , simplify , opset , batch |
OpenVINO | openvino |
yolov8n-cls_openvino_model/ |
✅ | imgsz , half , int8 , batch |
TensorRT | engine |
yolov8n-cls.engine |
✅ | imgsz , half , dynamic , simplify , workspace , int8 , batch |
CoreML | coreml |
yolov8n-cls.mlpackage |
✅ | imgsz , half , int8 , nms , batch |
TF SavedModel | saved_model |
yolov8n-cls_saved_model/ |
✅ | imgsz , keras , int8 , batch |
TF GraphDef | pb |
yolov8n-cls.pb |
❌ | imgsz , batch |
TF لايت | tflite |
yolov8n-cls.tflite |
✅ | imgsz , half , int8 , batch |
TF حافة TPU | edgetpu |
yolov8n-cls_edgetpu.tflite |
✅ | imgsz |
TF.شبيبه | tfjs |
yolov8n-cls_web_model/ |
✅ | imgsz , half , int8 , batch |
PaddlePaddle | paddle |
yolov8n-cls_paddle_model/ |
✅ | imgsz , batch |
NCNN | ncnn |
yolov8n-cls_ncnn_model/ |
✅ | imgsz , half , batch |
شاهد التفاصيل export
التفاصيل في تصدير صفحة.
الأسئلة المتداولة
ما هو الغرض من YOLOv8 في تصنيف الصور؟
YOLOv8 النماذج، مثل yolov8n-cls.pt
مصممة لتصنيف الصور بكفاءة. فهي تقوم بتعيين تسمية فئة واحدة لصورة كاملة مع درجة ثقة. هذا مفيد بشكل خاص للتطبيقات التي تكون فيها معرفة الفئة المحددة للصورة كافية، بدلاً من تحديد موقع أو شكل الكائنات داخل الصورة.
كيف يمكنني تدريب نموذج YOLOv8 لتصنيف الصور؟
لتدريب نموذج YOLOv8 ، يمكنك استخدام الأمرين Python أو CLI . على سبيل المثال، لتدريب نموذج yolov8n-cls
نموذج على مجموعة بيانات MNIST160 لمجموعة بيانات MNIST160 ل 100 حلقة تدريبية بحجم صورة 64:
مثل
لمزيد من خيارات التهيئة، قم بزيارة صفحة التهيئة.
أين يمكنني العثور على نماذج التصنيف YOLOv8 المدربة مسبقاً؟
يمكن العثور على نماذج التصنيف YOLOv8 المدربة مسبقًا في نماذج القسم. نماذج مثل yolov8n-cls.pt
, yolov8s-cls.pt
, yolov8m-cls.pt
وما إلى ذلك، يتم تدريبهم مسبقًا على إيماج نت مجموعة البيانات ويمكن تنزيلها بسهولة واستخدامها في مهام تصنيف الصور المختلفة.
كيف يمكنني تصدير نموذج مدرب YOLOv8 إلى تنسيقات مختلفة؟
يمكنك تصدير نموذج مدرب YOLOv8 إلى تنسيقات مختلفة باستخدام الأوامر Python أو CLI . على سبيل المثال، لتصدير نموذج إلى تنسيق ONNX :
مثل
للاطلاع على خيارات التصدير التفصيلية، راجع صفحة التصدير.
كيف يمكنني التحقق من صحة نموذج التصنيف YOLOv8 المدرّب؟
للتحقق من دقة النموذج المدرّب على مجموعة بيانات مثل MNIST160، يمكنك استخدام الأوامر التالية Python أو CLI :
مثل
لمزيد من المعلومات، يرجى زيارة قسم التحقق من الصحة.
تم الإنشاء 2023-11-12، تم التحديث 2024-07-04
المؤلفون: جلين-جوتشر (18)، برهان-ق (4)، رضوان منور (2)، فكاكيون (1)، الضحك-ق (1)