Zum Inhalt

Bildklassifizierung

Beispiele für Bildklassifizierung

Bildklassifizierung ist die einfachste der drei Aufgaben und besteht darin, ein ganzes Bild in eine von einem Satz vordefinierter Klassen zu klassifizieren.

Die Ausgabe eines Bildklassifizierers ist ein einzelnes Klassenlabel und eine Vertrauenspunktzahl. Bildklassifizierung ist nützlich, wenn Sie nur wissen müssen, zu welcher Klasse ein Bild gehört, und nicht wissen müssen, wo sich Objekte dieser Klasse befinden oder wie ihre genaue Form ist.

Tipp

YOLOv8 Classify-Modelle verwenden den Suffix -cls, z.B. yolov8n-cls.pt und sind auf ImageNet vortrainiert.

Modelle

Hier werden vortrainierte YOLOv8 Classify-Modelle gezeigt. Detect-, Segment- und Pose-Modelle sind auf dem COCO-Datensatz vortrainiert, während Classify-Modelle auf dem ImageNet-Datensatz vortrainiert sind.

Modelle werden automatisch vom neuesten Ultralytics-Release beim ersten Gebrauch heruntergeladen.

Modell Größe
(Pixel)		 Genauigkeit
top1		 Genauigkeit
top5		 Geschwindigkeit
CPU ONNX
(ms)		 Geschwindigkeit
A100 TensorRT
(ms)		 Parameter
(M)		 FLOPs
(B) bei 640
YOLOv8n-cls 224 66.6 87.0 12.9 0.31 2.7 4.3
YOLOv8s-cls 224 72.3 91.1 23.4 0.35 6.4 13.5
YOLOv8m-cls 224 76.4 93.2 85.4 0.62 17.0 42.7
YOLOv8l-cls 224 78.0 94.1 163.0 0.87 37.5 99.7
YOLOv8x-cls 224 78.4 94.3 232.0 1.01 57.4 154.8
  • Genauigkeit-Werte sind Modellgenauigkeiten auf dem ImageNet-Datensatz Validierungsset.
    Zur Reproduktion yolo val classify data=pfad/zu/ImageNet device=0 verwenden
  • Geschwindigkeit Durchschnitt über ImageNet-Validierungsbilder mit einer Amazon EC2 P4d-Instanz.
    Zur Reproduktion yolo val classify data=pfad/zu/ImageNet batch=1 device=0|cpu verwenden

Trainieren

Trainieren Sie das YOLOv8n-cls-Modell auf dem MNIST160-Datensatz für 100 Epochen bei Bildgröße 64. Eine vollständige Liste der verfügbaren Argumente finden Sie auf der Seite Konfiguration.

Beispiel

from ultralytics import YOLO

# Ein Modell laden
model = YOLO('yolov8n-cls.yaml')  # ein neues Modell aus YAML erstellen
model = YOLO('yolov8n-cls.pt')  # ein vortrainiertes Modell laden (empfohlen für das Training)
model = YOLO('yolov8n-cls.yaml').load('yolov8n-cls.pt')  # aus YAML erstellen und Gewichte übertragen

# Das Modell trainieren
results = model.train(data='mnist160', epochs=100, imgsz=64)

# Ein neues Modell aus YAML erstellen und das Training von Grund auf starten
yolo classify train data=mnist160 model=yolov8n-cls.yaml epochs=100 imgsz=64

# Das Training von einem vortrainierten *.pt Modell starten
yolo classify train data=mnist160 model=yolov8n-cls.pt epochs=100 imgsz=64

# Ein neues Modell aus YAML erstellen, vortrainierte Gewichte übertragen und das Training starten
yolo classify train data=mnist160 model=yolov8n-cls.yaml pretrained=yolov8n-cls.pt epochs=100 imgsz=64

Datenformat

Das Datenformat für YOLO-Klassifizierungsdatensätze finden Sie im Detail im Datenleitfaden.

Validieren

Validieren Sie die Genauigkeit des trainierten YOLOv8n-cls-Modells auf dem MNIST160-Datensatz. Kein Argument muss übergeben werden, da das modell seine Trainingsdaten und Argumente als Modellattribute behält.

Beispiel

from ultralytics import YOLO

# Ein Modell laden
model = YOLO('yolov8n-cls.pt')  # ein offizielles Modell laden
model = YOLO('pfad/zu/best.pt')  # ein benutzerdefiniertes Modell laden

# Das Modell validieren
metrics = model.val()  # keine Argumente benötigt, Datensatz und Einstellungen gespeichert
metrics.top1   # top1 Genauigkeit
metrics.top5   # top5 Genauigkeit

yolo classify val model=yolov8n-cls.pt  # ein offizielles Modell validieren
yolo classify val model=pfad/zu/best.pt  # ein benutzerdefiniertes Modell validieren

Vorhersagen

Verwenden Sie ein trainiertes YOLOv8n-cls-Modell, um Vorhersagen auf Bildern durchzuführen.

Beispiel

from ultralytics import YOLO

# Ein Modell laden
model = YOLO('yolov8n-cls.pt')  # ein offizielles Modell laden
model = YOLO('pfad/zu/best.pt')  # ein benutzerdefiniertes Modell laden

# Mit dem Modell vorhersagen
results = model('https://ultralytics.com/images/bus.jpg')  # Vorhersage auf einem Bild

yolo classify predict model=yolov8n-cls.pt source='https://ultralytics.com/images/bus.jpg'  # mit offiziellem Modell vorhersagen
yolo classify predict model=pfad/zu/best.pt source='https://ultralytics.com/images/bus.jpg'  # mit benutzerdefiniertem Modell vorhersagen

Vollständige Details zum predict-Modus finden Sie auf der Seite Vorhersage.

Exportieren

Exportieren Sie ein YOLOv8n-cls-Modell in ein anderes Format wie ONNX, CoreML usw.

Beispiel

from ultralytics import YOLO

# Ein Modell laden
model = YOLO('yolov8n-cls.pt')  # ein offizielles Modell laden
model = YOLO('pfad/zu/best.pt')  # ein benutzerdefiniertes trainiertes Modell laden

# Das Modell exportieren
model.export(format='onnx')

yolo export model=yolov8n-cls.pt format=onnx  # offizielles Modell exportieren
yolo export model=pfad/zu/best.pt format=onnx  # benutzerdefiniertes trainiertes Modell exportieren

Verfügbare YOLOv8-cls Exportformate stehen in der folgenden Tabelle. Sie können direkt auf exportierten Modellen vorhersagen oder validieren, d.h. yolo predict model=yolov8n-cls.onnx. Nutzungsexempel werden für Ihr Modell nach Abschluss des Exports angezeigt.

Format format-Argument Modell Metadaten Argumente
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
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 Lite tflite yolov8n-cls.tflite ✅ imgsz, half, int8
TF Edge TPU edgetpu yolov8n-cls_edgetpu.tflite ✅ imgsz
TF.js tfjs yolov8n-cls_web_model/ ✅ imgsz
PaddlePaddle paddle yolov8n-cls_paddle_model/ ✅ imgsz
ncnn ncnn yolov8n-cls_ncnn_model/ ✅ imgsz, half

Vollständige Details zum export finden Sie auf der Seite Export.


Created 2023-11-13, Updated 2023-11-18
Authors: glenn-jocher (4)

Kommentare