Saltar al contenido

Clasificaci贸n de im谩genes

Ejemplos de clasificaci贸n de im谩genes

La clasificaci贸n de im谩genes es la m谩s sencilla de las tres tareas y consiste en clasificar una imagen entera en una de un conjunto de clases predefinidas.

La salida de un clasificador de im谩genes es una 煤nica etiqueta de clase y una puntuaci贸n de confianza. La clasificaci贸n de im谩genes es 煤til cuando s贸lo necesitas saber a qu茅 clase pertenece una imagen y no necesitas saber d贸nde se encuentran los objetos de esa clase ni cu谩l es su forma exacta.



Observa: Explora Ultralytics YOLO Tareas: Clasificaci贸n de im谩genes

Consejo

YOLOv8 Los modelos de clasificaci贸n utilizan la -cls sufijo, es decir yolov8n-cls.pt y est谩n preentrenados en ImageNet.

Modelos

YOLOv8 Aqu铆 se muestran los modelos preentrenados de Clasificar. Los modelos Detectar, Segmentar y Pose est谩n preentrenados en el conjunto de datos COCO, mientras que los modelos Clasificar est谩n preentrenados en el conjunto de datos ImageNet.

Los modelos se descargan autom谩ticamente de la 煤ltimaversi贸n de Ultralytics la primera vez que se utilizan.

Modelo tama帽o
(p铆xeles)
acc
top1
acc
top5
Velocidad
CPU ONNX
(ms)
Velocidad
A100 TensorRT
(ms)
par谩metros
(M)
FLOPs
(B) a 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 son las precisiones del modelo en la ImageNet conjunto de datos de validaci贸n.
    Reproducir por yolo val classify data=path/to/ImageNet device=0
  • Velocidad promediadas sobre las im谩genes val de ImageNet utilizando un Amazon EC2 P4d instancia.
    Reproducir por yolo val classify data=path/to/ImageNet batch=1 device=0|cpu

Tren

Entrena YOLOv8n-cls en el conjunto de datos MNIST160 durante 100 茅pocas con un tama帽o de imagen de 64. Para ver la lista completa de argumentos disponibles, consulta la p谩gina Configuraci贸n.

Ejemplo

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

Formato del conjunto de datos

YOLO El formato de los conjuntos de datos de clasificaci贸n se encuentra detallado en la Gu铆a de conjuntos de datos.

Val

Valida la precisi贸n del modelo entrenado YOLOv8n-cls en el conjunto de datos MNIST160. No es necesario pasar ning煤n argumento model conserva su formaci贸n data y argumentos como atributos del modelo.

Ejemplo

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

Predecir

Utiliza un modelo YOLOv8n-cls entrenado para realizar predicciones sobre las im谩genes.

Ejemplo

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

Ver todo predict detalles del modo en el Predecir p谩gina.

Exportar

Exporta un modelo YOLOv8n-cls a un formato diferente como ONNX, CoreML, etc.

Ejemplo

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

Los formatos de exportaci贸n YOLOv8-cls disponibles est谩n en la tabla siguiente. Puedes predecir o validar directamente los modelos exportados, es decir yolo predict model=yolov8n-cls.onnx. Se muestran ejemplos de uso de tu modelo una vez finalizada la exportaci贸n.

Formato format Argumento Modelo Metadatos Argumentos
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 Lite tflite yolov8n-cls.tflite imgsz, half, int8
TF Arista TPU edgetpu yolov8n-cls_edgetpu.tflite imgsz
TF.js tfjs yolov8n-cls_web_model/ imgsz, half, int8
PaddlePaddle paddle yolov8n-cls_paddle_model/ imgsz
ncnn ncnn yolov8n-cls_ncnn_model/ imgsz, half

Ver todo export detalles en el Exportar p谩gina.



Creado 2023-11-12, Actualizado 2024-02-03
Autores: glenn-jocher (8), fcakyon (1), chr043416@gmail.com (1), Laughing-q (1), AyushExel (1)

Comentarios