Classificazione delle immagini

La classificazione delle immagini è il compito più semplice dei tre e consiste nel classificare un'intera immagine in una serie di classi predefinite.

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

Modelli

YOLOv8 I modelli Classify pre-addestrati sono mostrati qui. I modelli Detect, Segment e Pose sono stati preaddestrati sul dataset COCO, mentre i modelli Classify sono stati preaddestrati sul dataset ImageNet.

I modelli vengono scaricati automaticamente dall'ultimarelease di Ultralytics al primo utilizzo.

• acc i valori sono le precisioni del modello sul ImageNet set di convalida del set di dati.
  Riproduci da yolo val classify data=path/to/ImageNet device=0
• Velocità mediato sulle immagini ImageNet val utilizzando un Amazon EC2 P4d istanza.
  Riproduci da yolo val classify data=path/to/ImageNet batch=1 device=0|cpu

Treno

Addestra YOLOv8n-cls sul dataset MNIST160 per 100 epoch con dimensioni dell'immagine 64. Per un elenco completo degli argomenti disponibili, consulta la pagina di configurazione.

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 set di dati

YOLO Il formato del dataset di classificazione è riportato in dettaglio nella Guida ai Dataset.

Val

Convalida l'accuratezza del modello addestrato YOLOv8n-cls sul dataset MNIST160. Non è necessario passare alcun argomento in quanto il modello model mantiene la sua formazione data e gli argomenti come attributi del modello.

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

Prevedere

Utilizza un modello addestrato YOLOv8n-cls per eseguire previsioni sulle immagini.

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

Vedi tutto predict i dettagli della modalità nella sezione Prevedere pagina.

Esportazione

Esporta un modello YOLOv8n-cls in un formato diverso come ONNX, CoreML, ecc.

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

I formati di esportazione disponibili di YOLOv8-cls sono riportati nella tabella seguente. Puoi fare previsioni o convalidare direttamente i modelli esportati, ad es. yolo predict model=yolov8n-cls.onnx. Al termine dell'esportazione vengono mostrati degli esempi di utilizzo per il tuo modello.

Vedi tutto export dettagli nella sezione Esportazione pagina.

Commenti