Zum Inhalt springen

Bildklassifizierung

Beispiele zur Bildklassifizierung

Die Bildklassifizierung ist die einfachste der drei Aufgaben und beinhaltet die Einordnung eines ganzen Bildes in eine von mehreren vordefinierten Klassen.

Die Ausgabe eines Bildklassifizierers ist eine einzelne Klassenbezeichnung und ein Vertrauenswert. Die Bildklassifizierung ist nĂŒtzlich, wenn du nur wissen musst, zu welcher Klasse ein Bild gehört, ohne zu wissen, wo sich die Objekte dieser Klasse befinden oder welche Form sie genau haben.



Pass auf: Erkunde Ultralytics YOLO Aufgaben: Bildklassifizierung mit Ultralytics HUB

Tipp

YOLOv8 Klassifizierungsmodelle verwenden die -cls Suffix, d.h.. yolov8n-cls.pt und sind vorgebildet auf ImageNet.

Modelle

YOLOv8 werden hier die vortrainierten Klassifizierungsmodelle gezeigt. Die Modelle "Detect", "Segment" und "Pose" wurden mit dem COCO-Datensatz trainiert, wÀhrend die Modelle "Classify" mit dem ImageNet-Datensatz trainiert wurden.

Die Modelle werden bei der ersten Verwendung automatisch von der neuestenVersion von Ultralytics heruntergeladen.

Modell GrĂ¶ĂŸe
(Pixel)
acc
top1
acc
top5
Geschwindigkeit
CPU ONNX
(ms)
Geschwindigkeit
A100 TensorRT
(ms)
params
(M)
FLOPs
(B) bei 640
YOLOv8n-cls 224 69.0 88.3 12.9 0.31 2.7 4.3
YOLOv8s-cls 224 73.8 91.7 23.4 0.35 6.4 13.5
YOLOv8m-cls 224 76.8 93.5 85.4 0.62 17.0 42.7
YOLOv8l-cls 224 76.8 93.5 163.0 0.87 37.5 99.7
YOLOv8x-cls 224 79.0 94.6 232.0 1.01 57.4 154.8
  • acc Werte sind Modellgenauigkeiten auf den ImageNet Datensatz Validierungssatz.
    Reproduzieren durch yolo val classify data=path/to/ImageNet device=0
  • Geschwindigkeit ĂŒber ImageNet val-Bilder gemittelt, indem ein Amazon EC2 P4d Instanz.
    Reproduzieren durch yolo val classify data=path/to/ImageNet batch=1 device=0|cpu

Zug

Trainiere YOLOv8n-cls auf dem MNIST160-Datensatz fĂŒr 100 Epochen bei BildgrĂ¶ĂŸe 64. Eine vollstĂ€ndige Liste der verfĂŒgbaren Argumente findest du auf der Seite Konfiguration.

Beispiel

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

Format des Datensatzes

YOLO Das Format der KlassifizierungsdatensÀtze findest du im Detail im Datensatz-Leitfaden.

Val

Validiere die Genauigkeit des trainierten Modells YOLOv8n-cls auf dem MNIST160-Datensatz. Es muss kein Argument ĂŒbergeben werden, da die model seine Ausbildung beibehĂ€lt data und Argumente als Modellattribute.

Beispiel

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

Vorhersage

Verwende ein trainiertes YOLOv8n-cls Modell, um Vorhersagen fĂŒr Bilder zu treffen.

Beispiel

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

Siehe voll predict Modus Details in der Vorhersage Seite.

exportieren

Exportiere ein YOLOv8n-cls Modell in ein anderes Format wie ONNX, CoreML, etc.

Beispiel

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

Die verfĂŒgbaren YOLOv8-cls Exportformate findest du in der folgenden Tabelle. Du kannst in jedes beliebige Format exportieren, indem du die format Argument, d.h. format='onnx' oder format='engine'. Du kannst exportierte Modelle direkt vorhersagen oder validieren, d.h. yolo predict model=yolov8n-cls.onnx. Nach Abschluss des Exports werden Anwendungsbeispiele fĂŒr dein Modell angezeigt.

Format format Argument Modell Metadaten Argumente
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 Lite tflite yolov8n-cls.tflite ✅ imgsz, half, int8, batch
TF Kante TPU edgetpu yolov8n-cls_edgetpu.tflite ✅ imgsz
TF.js 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

Siehe voll export Details in der exportieren Seite.

FAQ

Was ist der Zweck von YOLOv8 bei der Bildklassifizierung?

YOLOv8 Modelle, wie zum Beispiel yolov8n-cls.ptsind fĂŒr eine effiziente Bildklassifizierung konzipiert. Sie ordnen einem ganzen Bild eine einzige Klassenbezeichnung und eine Vertrauensbewertung zu. Dies ist besonders nĂŒtzlich fĂŒr Anwendungen, bei denen es ausreicht, die spezifische Klasse eines Bildes zu kennen, anstatt die Position oder Form von Objekten im Bild zu identifizieren.

Wie trainiere ich ein YOLOv8 Modell zur Bildklassifizierung?

Um ein YOLOv8 Modell zu trainieren, kannst du entweder die Befehle Python oder CLI verwenden. Zum Beispiel, um ein yolov8n-cls Modell auf dem MNIST160-Datensatz fĂŒr 100 Epochen bei einer BildgrĂ¶ĂŸe von 64:

Beispiel

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n-cls.pt")  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data="mnist160", epochs=100, imgsz=64)
yolo classify train data=mnist160 model=yolov8n-cls.pt epochs=100 imgsz=64

Weitere Konfigurationsoptionen findest du auf der Seite Konfiguration.

Wo finde ich vortrainierte Klassifizierungsmodelle YOLOv8 ?

Vorgetrainierte YOLOv8 Klassifizierungsmodelle finden Sie in der Modelle Abschnitt. Modelle wie yolov8n-cls.pt, yolov8s-cls.pt, yolov8m-cls.ptusw., werden auf der Grundlage der ImageNet Datensatz und kann leicht heruntergeladen und fĂŒr verschiedene Bildklassifizierungsaufgaben verwendet werden.

Wie kann ich ein trainiertes YOLOv8 Modell in verschiedene Formate exportieren?

Du kannst ein trainiertes YOLOv8 Modell mit den Befehlen Python oder CLI in verschiedene Formate exportieren. Um zum Beispiel ein Modell in das Format ONNX zu exportieren:

Beispiel

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n-cls.pt")  # load the trained model

# Export the model to ONNX
model.export(format="onnx")
yolo export model=yolov8n-cls.pt format=onnx  # export the trained model to ONNX format

AusfĂŒhrliche Informationen zu den Exportoptionen findest du auf der Seite Export.

Wie kann ich ein trainiertes YOLOv8 Klassifizierungsmodell validieren?

Um die Genauigkeit eines trainierten Modells anhand eines Datensatzes wie MNIST160 zu ĂŒberprĂŒfen, kannst du die folgenden Befehle verwenden: Python oder CLI :

Beispiel

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n-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
yolo classify val model=yolov8n-cls.pt  # validate the trained model

Weitere Informationen findest du im Abschnitt Validieren.



Erstellt 2023-11-12, Aktualisiert 2024-07-04
Autoren: glenn-jocher (18), Burhan-Q (4), RizwanMunawar (2), fcakyon (1), Laughing-q (1)

Kommentare