छवि वर्गीकरण

छवि वर्गीकरण उदाहरण

छवि वर्गीकरण तीन कार्यों में से सबसे सरल है और इसमें एक संपूर्ण छवि को पूर्वनिर्धारित वर्गों के एक सेट में वर्गीकृत करना शामिल है।

एक छवि क्लासिफायरियर का आउटपुट एक एकल वर्ग लेबल और एक आत्मविश्वास स्कोर है। छवि वर्गीकरण तब उपयोगी होता है जब आपको केवल यह जानने की आवश्यकता होती है कि छवि किस वर्ग से संबंधित है और यह जानने की आवश्यकता नहीं है कि उस वर्ग की वस्तुएं कहाँ स्थित हैं या उनका सटीक आकार क्या है।

सतर्कता: पता लगाना Ultralytics YOLO टास्क्स: इमेज वर्गीकरण का उपयोग करके Ultralytics चक्रनाभि

नोक

YOLOv8 वर्गीकृत मॉडल का उपयोग करें -cls प्रत्यय, अर्थात। yolov8n-cls.pt और पर पूर्वप्रशिक्षित हैं इमेजनेट.

मॉडल

YOLOv8 पूर्व-प्रशिक्षित वर्गीकृत मॉडल यहां दिखाए गए हैं। डिटेक्ट, सेगमेंट और पोज़ मॉडल COCO डेटासेट पर पूर्व-प्रशिक्षित हैं, जबकि वर्गीकृत मॉडल इमेजनेट डेटासेट पर पूर्व-प्रशिक्षित हैं।

मॉडल नवीनतम से स्वचालित रूप से डाउनलोड करते हैं Ultralytics पहले उपयोग पर रिलीज करें।

को गढ़ना	आकार वाला ^{(पिक्सेल)}	एसीसी ^{शीर्ष 1}	एसीसी ^{शीर्ष 5}	गति ^{सीपीयू ONNX (एमएस)}	गति ^{ए100 TensorRT (एमएस)}	परम ^(एम)	फ्लॉप ^{(B) 640 पर}
YOLOv8n-सीएलएस	224	69.0	88.3	12.9	0.31	2.7	4.3
YOLOv8s-सीएलएस	224	73.8	91.7	23.4	0.35	6.4	13.5
YOLOv8m-सीएलएस	224	76.8	93.5	85.4	0.62	17.0	42.7
YOLOv8l-सीएलएस	224	76.8	93.5	163.0	0.87	37.5	99.7
YOLOv8x-सीएलएस	224	79.0	94.6	232.0	1.01	57.4	154.8

एसीसी मान मॉडल सटीकता हैं इमेजनेट डेटासेट सत्यापन सेट।
द्वारा प्रजनन करना yolo val classify data=path/to/ImageNet device=0
गति एक का उपयोग कर ImageNet val छवियों पर औसत अमेज़न EC2 P4d उदाहरण।
द्वारा प्रजनन करना yolo val classify data=path/to/ImageNet batch=1 device=0|cpu

रेलगाड़ी

रेलगाड़ी YOLOv8nछवि आकार 64 पर 100 युगों के लिए MNIST160 डेटासेट पर -सीएल। उपलब्ध तर्कों की पूरी सूची के लिए , कॉन्फ़िगरेशन पृष्ठ देखें.

उदाहरण

PythonCLI

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

डेटासेट प्रारूप

YOLO वर्गीकरण डेटासेट प्रारूप डेटासेट गाइड में विस्तार से पाया जा सकता है।

वैल

प्रशिक्षित मान्य करें YOLOv8n-cls MNIST160 डेटासेट पर मॉडल सटीकता। किसी तर्क को पारित करने की आवश्यकता नहीं है model अपने प्रशिक्षण को बरकरार रखता है data और मॉडल विशेषताओं के रूप में तर्क।

उदाहरण

PythonCLI

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

भविष्‍यवाणी करना

एक प्रशिक्षित का प्रयोग करें YOLOv8n-cls मॉडल छवियों पर भविष्यवाणियों को चलाने के लिए।

उदाहरण

PythonCLI

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

पूरा देखें predict मोड विवरण में भविष्‍यवाणी करना पृष्ठ।

निर्यातित माल

निर्यात a YOLOv8n-cls मॉडल को एक अलग प्रारूप में जैसे ONNX, CoreMLआदि।

उदाहरण

PythonCLI

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

सुलभ YOLOv8-cls निर्यात प्रारूप नीचे दी गई तालिका में हैं। आप का उपयोग करके किसी भी प्रारूप में निर्यात कर सकते हैं format तर्क, अर्थात। format='onnx' नहीं तो format='engine'. आप निर्यात किए गए मॉडल पर सीधे भविष्यवाणी या मान्य कर सकते हैं, अर्थात। yolo predict model=yolov8n-cls.onnx. निर्यात पूर्ण होने के बाद आपके मॉडल के लिए उपयोग के उदाहरण दिखाए जाते हैं.

प्रारूप	`format` युक्ति	को गढ़ना	मेटाडेटा	तर्क
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`, `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 लाइट	`tflite`	`yolov8n-cls.tflite`	✅	`imgsz`, `half`, `int8`, `batch`
TF किनारा TPU	`edgetpu`	`yolov8n-cls_edgetpu.tflite`	✅	`imgsz`, `batch`
TF।जे एस	`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`

पूरा देखें export में विवरण निर्यातित माल पृष्ठ।

2023-11-12 बनाया गया, अपडेट किया गया 2024-04-27
लेखक: ग्लेन-जोचर (12), बुरहान-क्यू (1), रिज़वानमुनव्वर (2), फकीयन (1), लाफिंग-क्यू (1), आयुषएक्सेल (1)

छवि वर्गीकरण

मॉडल

रेलगाड़ी

डेटासेट प्रारूप

वैल

भविष्‍यवाणी करना

निर्यातित माल

टिप्पणियाँ