Classificazione delle immagini
Image classification is the simplest of the three tasks and involves classifying an entire image into one of a set of predefined classes.
L'output di un classificatore di immagini è una singola etichetta di classe e un punteggio di confidenza. La classificazione delle immagini è utile quando hai bisogno di sapere solo a quale classe appartiene un'immagine e non hai bisogno di sapere dove si trovano gli oggetti di quella classe o qual è la loro forma esatta.
Guarda: Esplora Ultralytics YOLO Compiti: Classificazione delle immagini con Ultralytics HUB
Suggerimento
YOLO11 Classify models use the -cls
suffisso, cioè yolo11n-cls.pt
e sono preaddestrati su ImageNet.
Modelli
YOLO11 pretrained Classify models are shown here. Detect, Segment and Pose models are pretrained on the COCO dataset, while Classify models are pretrained on the ImageNet dataset.
I modelli vengono scaricati automaticamente dall'ultimarelease di Ultralytics al primo utilizzo.
Modello | dimensione (pixel) |
acc top1 |
acc top5 |
Velocità CPU ONNX (ms) |
Speed T4 TensorRT10 (ms) |
params (M) |
FLOPs (B) a 640 |
---|---|---|---|---|---|---|---|
YOLO11n-cls | 224 | 70.0 | 89.4 | 5.0 ± 0.3 | 1.1 ± 0.0 | 1.6 | 3.3 |
YOLO11s-cls | 224 | 75.4 | 92.7 | 7.9 ± 0.2 | 1.3 ± 0.0 | 5.5 | 12.1 |
YOLO11m-cls | 224 | 77.3 | 93.9 | 17.2 ± 0.4 | 2.0 ± 0.0 | 10.4 | 39.3 |
YOLO11l-cls | 224 | 78.3 | 94.3 | 23.2 ± 0.3 | 2.8 ± 0.0 | 12.9 | 49.4 |
YOLO11x-cls | 224 | 79.5 | 94.9 | 41.4 ± 0.9 | 3.8 ± 0.0 | 28.4 | 110.4 |
- acc i valori sono le precisioni del modello sul ImageNet set di convalida del set di dati.
Riproduci dayolo val classify data=path/to/ImageNet device=0
- Velocità mediato sulle immagini ImageNet val utilizzando un Amazon EC2 P4d istanza.
Riproduci dayolo val classify data=path/to/ImageNet batch=1 device=0|cpu
Treno
Train YOLO11n-cls on the MNIST160 dataset for 100 epochs at image size 64. For a full list of available arguments see the Configuration page.
Esempio
from ultralytics import YOLO
# Load a model
model = YOLO("yolo11n-cls.yaml") # build a new model from YAML
model = YOLO("yolo11n-cls.pt") # load a pretrained model (recommended for training)
model = YOLO("yolo11n-cls.yaml").load("yolo11n-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=yolo11n-cls.yaml epochs=100 imgsz=64
# Start training from a pretrained *.pt model
yolo classify train data=mnist160 model=yolo11n-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=yolo11n-cls.yaml pretrained=yolo11n-cls.pt epochs=100 imgsz=64
Formato del set di dati
YOLO Il formato del dataset di classificazione è riportato in dettaglio nella Guida ai Dataset.
Val
Validate trained YOLO11n-cls model accuracy on the MNIST160 dataset. No arguments are needed as the model
mantiene la sua formazione data
e gli argomenti come attributi del modello.
Esempio
from ultralytics import YOLO
# Load a model
model = YOLO("yolo11n-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
Prevedere
Use a trained YOLO11n-cls model to run predictions on images.
Esempio
Vedi tutto predict
i dettagli della modalità nella sezione Prevedere pagina.
Esportazione
Export a YOLO11n-cls model to a different format like ONNX, CoreML, etc.
Esempio
Available YOLO11-cls export formats are in the table below. You can export to any format using the format
argomento, vale a dire format='onnx'
o format='engine'
. Puoi prevedere o convalidare direttamente i modelli esportati, ad es. yolo predict model=yolo11n-cls.onnx
. Al termine dell'esportazione vengono mostrati degli esempi di utilizzo per il tuo modello.
Formato | format Argomento |
Modello | Metadati | Argomenti |
---|---|---|---|---|
PyTorch | - | yolo11n-cls.pt |
✅ | - |
TorchScript | torchscript |
yolo11n-cls.torchscript |
✅ | imgsz , optimize , batch |
ONNX | onnx |
yolo11n-cls.onnx |
✅ | imgsz , half , dynamic , simplify , opset , batch |
OpenVINO | openvino |
yolo11n-cls_openvino_model/ |
✅ | imgsz , half , int8 , batch |
TensorRT | engine |
yolo11n-cls.engine |
✅ | imgsz , half , dynamic , simplify , workspace , int8 , batch |
CoreML | coreml |
yolo11n-cls.mlpackage |
✅ | imgsz , half , int8 , nms , batch |
TF SavedModel | saved_model |
yolo11n-cls_saved_model/ |
✅ | imgsz , keras , int8 , batch |
TF GraphDef | pb |
yolo11n-cls.pb |
❌ | imgsz , batch |
TF Lite | tflite |
yolo11n-cls.tflite |
✅ | imgsz , half , int8 , batch |
TF Bordo TPU | edgetpu |
yolo11n-cls_edgetpu.tflite |
✅ | imgsz |
TF.js | tfjs |
yolo11n-cls_web_model/ |
✅ | imgsz , half , int8 , batch |
PaddlePaddle | paddle |
yolo11n-cls_paddle_model/ |
✅ | imgsz , batch |
NCNN | ncnn |
yolo11n-cls_ncnn_model/ |
✅ | imgsz , half , batch |
Vedi tutto export
dettagli nella sezione Esportazione pagina.
DOMANDE FREQUENTI
What is the purpose of YOLO11 in image classification?
YOLO11 models, such as yolo11n-cls.pt
sono progettati per una classificazione efficiente delle immagini. Assegnano un'unica etichetta di classe a un'intera immagine insieme a un punteggio di confidenza. Questo è particolarmente utile per le applicazioni in cui è sufficiente conoscere la classe specifica di un'immagine, piuttosto che identificare la posizione o la forma degli oggetti all'interno dell'immagine.
How do I train a YOLO11 model for image classification?
To train a YOLO11 model, you can use either Python or CLI commands. For example, to train a yolo11n-cls
sul dataset MNIST160 per 100 epoch con un'immagine di 64 dimensioni:
Esempio
Per ulteriori opzioni di configurazione, visita la pagina Configurazione.
Where can I find pretrained YOLO11 classification models?
Pretrained YOLO11 classification models can be found in the Modelli sezione. Modelli come yolo11n-cls.pt
, yolo11s-cls.pt
, yolo11m-cls.pt
, etc., sono preaddestrati sul ImageNet e può essere facilmente scaricato e utilizzato per varie attività di classificazione delle immagini.
How can I export a trained YOLO11 model to different formats?
You can export a trained YOLO11 model to various formats using Python or CLI commands. For instance, to export a model to ONNX format:
Esempio
Per informazioni dettagliate sulle opzioni di esportazione, consulta la pagina Esportazione.
How do I validate a trained YOLO11 classification model?
Per convalidare l'accuratezza di un modello addestrato su un set di dati come MNIST160, puoi utilizzare i seguenti comandi Python o CLI :
Esempio
Per maggiori informazioni, visita la sezione Convalida.