Clasificación de imágenes

La clasificación de imágenes es la más 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 imágenes es una única etiqueta de clase y una puntuación de confianza. La clasificación de imágenes es útil cuando sólo necesitas saber a qué clase pertenece una imagen y no necesitas saber dónde se encuentran los objetos de esa clase ni cuál es su forma exacta.

Observa: Explora Ultralytics YOLO Tareas: Clasificación de imágenes utilizando Ultralytics HUB

Modelos

YOLOv8 Aquí se muestran los modelos preentrenados de Clasificar. Los modelos Detectar, Segmentar y Pose están preentrenados en el conjunto de datos COCO, mientras que los modelos Clasificar están preentrenados en el conjunto de datos ImageNet.

Los modelos se descargan automáticamente de la últimaversión de Ultralytics la primera vez que se utilizan.

• acc son las precisiones del modelo en la ImageNet conjunto de datos de validación.
  Reproducir por yolo val classify data=path/to/ImageNet device=0
• Velocidad promediadas sobre las imágenes 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 épocas con un tamaño de imagen de 64. Para ver la lista completa de argumentos disponibles, consulta la página Configuración.

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 clasificación se encuentra detallado en la Guía de conjuntos de datos.

Val

Valida la precisión del modelo entrenado YOLOv8n-cls en el conjunto de datos MNIST160. No es necesario pasar ningún argumento model conserva su formación data y argumentos como atributos del modelo.

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 imágenes.

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 página.

Exportar

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

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 exportación disponibles de YOLOv8-cls están en la tabla siguiente. Puedes exportar a cualquier formato utilizando el botón format argumento, es decir format='onnx' o format='engine'. 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 exportación.

Ver todo export detalles en el Exportar página.

PREGUNTAS FRECUENTES

¿Cuál es la finalidad de YOLOv8 en la clasificación de imágenes?

YOLOv8 modelos, como yolov8n-cls.ptestán diseñados para una clasificación eficaz de las imágenes. Asignan una única etiqueta de clase a toda una imagen junto con una puntuación de confianza. Esto es especialmente útil para aplicaciones en las que basta con conocer la clase específica de una imagen, en lugar de identificar la ubicación o la forma de los objetos dentro de la imagen.

¿Cómo entreno un modelo YOLOv8 para la clasificación de imágenes?

Para entrenar un modelo YOLOv8 , puedes utilizar los comandos Python o CLI . Por ejemplo, para entrenar un modelo yolov8n-cls en el conjunto de datos MNIST160 durante 100 épocas con un tamaño de imagen de 64:

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

Para más opciones de configuración, visita la página Configuración.

¿Dónde puedo encontrar modelos de clasificación preentrenados en YOLOv8 ?

Los modelos de clasificación preentrenados de YOLOv8 pueden encontrarse en Modelos sección. Modelos como yolov8n-cls.pt, yolov8s-cls.pt, yolov8m-cls.ptetc., están preentrenados en la ImageNet y puede descargarse fácilmente y utilizarse para diversas tareas de clasificación de imágenes.

¿Cómo puedo exportar un modelo YOLOv8 entrenado a diferentes formatos?

Puedes exportar un modelo entrenado de YOLOv8 a varios formatos utilizando los comandos Python o CLI . Por ejemplo, para exportar un modelo al formato ONNX :

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

Para conocer en detalle las opciones de exportación, consulta la página Exportar.

¿Cómo puedo validar un modelo de clasificación entrenado en YOLOv8 ?

Para validar la precisión de un modelo entrenado en un conjunto de datos como MNIST160, puedes utilizar los siguientes comandos Python o CLI :

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

Para más información, visita la sección Validar.

Comentarios