画像分類におけるYOLO26の目的は何ですか？

yolo26n-cls.ptなどのYOLO26モデルは、効率的な画像分類のために設計されています。画像全体に単一のクラスラベルと信頼度スコアを割り当てます。画像内のオブジェクトの位置や形状を特定するよりも、画像の具体的なクラスが分かれば十分なアプリケーションで特に役立ちます。

画像分類用のYOLO26モデルを学習するにはどうすればよいですか？

YOLO26モデルを学習するには、PythonまたはCLIコマンドを使用できます。たとえば、画像サイズ64、100エポックでMNIST160データセット上のyolo26n-clsモデルを学習するには、次のようにします。. その他の設定オプションについては、Configurationページを参照してください。

事前学習済みのYOLO26画像分類モデルはどこで入手できますか？

事前学習済みのYOLO26画像分類モデルは、モデルセクションで確認できます。yolo26n-cls.pt、yolo26s-cls.pt、yolo26m-cls.ptなどのモデルはImageNetデータセットで事前学習されており、さまざまな画像分類タスク用に簡単にダウンロードして使用できます。

学習済みのYOLO26モデルを別の形式にエクスポートするにはどうすればよいですか？

PythonまたはCLIコマンドを使用して、学習済みのYOLO26モデルをさまざまな形式にエクスポートできます。たとえば、モデルをONNX形式にエクスポートするには、次のようにします。. 詳細なエクスポートオプションについては、Exportページを参照してください。

学習済みのYOLO26画像分類モデルを検証するにはどうすればよいですか？

MNIST160などのデータセットで学習済みモデルの精度を検証するには、次のPythonまたはCLIコマンドを使用できます。. 詳細については、Validateセクションを参照してください。

Ultralytics YOLOによる画像分類#

Ultralytics YOLO image classification of objects and scenes

画像分類は、サポートされているタスクの中で最もシンプルなもので、画像全体をあらかじめ定義されたクラスのいずれかに分類します。

画像分類器の出力は、単一のクラスラベルと信頼度スコアです。画像がどのクラスに属するかだけを知りたい場合や、そのクラスのオブジェクトがどこにあるか、正確な形状を知る必要がない場合に、画像分類が役立ちます。

Watch: Explore Ultralytics YOLO Tasks: Image Classification using Ultralytics Platform

ヒント

YOLO26 Classifyモデルは-clsサフィックス、つまりyolo26n-cls.ptを使用し、ImageNetで事前学習されています。

モデル #

YOLO26の事前学習済みClassifyモデルを以下に示します。Detect、Segment、PoseモデルはCOCOデータセットで事前学習され、SemanticモデルはCityscapesで事前学習され、ClassifyモデルはImageNetデータセットで事前学習されています。

モデルは、初回使用時に最新のUltralytics リリースから自動的にダウンロードされます。

モデル	サイズ ^{（ピクセル）}	精度 ^top1	精度 ^top5	速度 ^{CPU ONNX （ms）}	速度 ^{T4 TensorRT10 （ms）}	パラメーター数 ^（M）	FLOPs ^{（224でのB）}
YOLO26n-cls	224	71.4	90.1	5.0 ± 0.3	1.1 ± 0.0	2.8	0.4
YOLO26s-cls	224	76.0	92.9	7.9 ± 0.2	1.3 ± 0.0	6.7	1.5
YOLO26m-cls	224	78.1	94.2	17.2 ± 0.4	2.0 ± 0.0	11.6	4.8
YOLO26l-cls	224	79.0	94.6	23.2 ± 0.3	2.8 ± 0.0	14.1	6.0
YOLO26x-cls	224	79.9	95.0	41.4 ± 0.9	3.8 ± 0.0	29.6	13.5

accの値は、ImageNetデータセットの検証セットにおけるモデルの精度です。
yolo val classify data=path/to/ImageNet device=0で再現できます。
Speedは、Amazon EC2 P4dインスタンスを使用し、ImageNetの検証画像で平均した値です。
yolo val classify data=path/to/ImageNet batch=1 device=0|cpuで再現できます。
ParamsとFLOPsの値は、ConvレイヤーとBatchNormレイヤーを統合するmodel.fuse()後の融合モデルの値です。事前学習済みチェックポイントは完全な学習アーキテクチャを保持しているため、より大きい値になる場合があります。

暫定的な分類速度とモデルサイズについては、未発表のYOLO27プレビューを参照してください。

トレーニング#

画像サイズ64で、MNIST160データセットを使用してYOLO26n-clsを100エポック学習します。利用可能な引数の一覧については、Configurationページを参照してください。

例

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n-cls.yaml")  # build a new model from YAML
model = YOLO("yolo26n-cls.pt")  # load a pretrained model (recommended for training)
model = YOLO("yolo26n-cls.yaml").load("yolo26n-cls.pt")  # build from YAML and transfer weights

# Train the model
results = model.train(data="mnist160", epochs=100, imgsz=64)

ヒント

Ultralytics YOLOの画像分類では、学習にtorchvision.transforms.RandomResizedCropを、検証と推論にtorchvision.transforms.CenterCropを使用します。これらのクロッピングベースの変換は正方形の入力を前提としているため、アスペクト比が極端な画像では重要な領域が意図せず切り取られ、学習中に重要な視覚情報が失われる可能性があります。アスペクト比を維持しながら画像全体を保持するには、クロッピング変換の代わりにtorchvision.transforms.Resizeの使用を検討してください。

カスタムClassificationDatasetとClassificationTrainerを通じて、拡張パイプラインをカスタマイズすることで実装できます。

import torch
import torchvision.transforms as T

from ultralytics import YOLO
from ultralytics.data.dataset import ClassificationDataset
from ultralytics.models.yolo.classify import ClassificationTrainer, ClassificationValidator

class CustomizedDataset(ClassificationDataset):
    """A customized dataset class for image classification with enhanced data augmentation transforms."""

    def __init__(self, root: str, args, augment: bool = False, prefix: str = ""):
        """Initialize a customized classification dataset with enhanced data augmentation transforms."""
        super().__init__(root, args, augment, prefix)

        # Add your custom training transforms here
        train_transforms = T.Compose(
            [
                T.Resize((args.imgsz, args.imgsz)),
                T.RandomHorizontalFlip(p=args.fliplr),
                T.RandomVerticalFlip(p=args.flipud),
                T.RandAugment(interpolation=T.InterpolationMode.BILINEAR),
                T.ColorJitter(brightness=args.hsv_v, contrast=args.hsv_v, saturation=args.hsv_s, hue=args.hsv_h),
                T.ToTensor(),
                T.Normalize(mean=torch.tensor(0), std=torch.tensor(1)),
                T.RandomErasing(p=args.erasing, inplace=True),
            ]
        )

        # Add your custom validation transforms here
        val_transforms = T.Compose(
            [
                T.Resize((args.imgsz, args.imgsz)),
                T.ToTensor(),
                T.Normalize(mean=torch.tensor(0), std=torch.tensor(1)),
            ]
        )
        self.torch_transforms = train_transforms if augment else val_transforms

class CustomizedTrainer(ClassificationTrainer):
    """A customized trainer class for YOLO classification models with enhanced dataset handling."""

    def build_dataset(self, img_path: str, mode: str = "train", batch=None):
        """Build a customized dataset for classification training and the validation during training."""
        return CustomizedDataset(root=img_path, args=self.args, augment=mode == "train", prefix=mode)

class CustomizedValidator(ClassificationValidator):
    """A customized validator class for YOLO classification models with enhanced dataset handling."""

    def build_dataset(self, img_path: str):
        """Build a customized dataset for classification standalone validation (no augmentation)."""
        return CustomizedDataset(root=img_path, args=self.args, augment=False, prefix=self.args.split)

model = YOLO("yolo26n-cls.pt")
model.train(data="imagenet", trainer=CustomizedTrainer, epochs=10, imgsz=224, batch=64)
model.val(data="imagenet", validator=CustomizedValidator, imgsz=224, batch=64)

データセット形式#

YOLO分類データセット形式の詳細については、Dataset Guideを参照してください。分類データセットは、Ultralytics Platformのアノテーションツールで管理およびラベル付けすることもできます。

検証#

MNIST160データセットで、学習済みYOLO26n-clsモデルの精度を検証します。modelには学習時のdataと引数がモデル属性として保持されているため、引数は必要ありません。

例

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n-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

ヒント

学習セクションで説明したように、カスタムClassificationTrainerを使用して、学習中の極端なアスペクト比に対応できます。一貫した検証結果を得るには、val()メソッドの呼び出し時にカスタムClassificationValidatorを実装して、同じ方法を適用する必要があります。実装の詳細については、学習セクションの完全なコード例を参照してください。

推論#

学習済みYOLO26n-clsモデルを使用して、画像に対する予測を実行します。

例

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n-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

# Access the results
for result in results:
    top1 = result.probs.top1  # top predicted class ID
    top1_conf = result.probs.top1conf  # top prediction confidence
    top1_name = result.names[top1]  # top predicted class name

Predictページで、predict モードの詳細をすべて確認できます。

結果の出力#

画像分類は、画像ごとに1つのResultsオブジェクトを返します。主要な予測フィールドはresult.probsで、クラス確率ベクトルと上位予測用のヘルパーを含みます。

属性	型	形状	説明
`result.probs`	`Probs`	`(C,)`	クラス確率。
`result.probs.data`	`torch.float32`	`(C,)`	クラスごとの確率。
`result.probs.top1`	`int`	`()`	上位クラスID。
`result.probs.top1conf`	`torch.float32`	`()`	上位信頼度。
`result.probs.top5`	`list[int]`	`(<=5)`	上位5クラスのID。

すべてのタスクにおけるタスク固有の Results フィールドについては、タスク別の予測結果セクションを参照してください。

エクスポート#

YOLO26n-clsモデルをONNX、CoreMLなどの別の形式にエクスポートします。

例

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n-cls.pt")  # load an official model
model = YOLO("path/to/best.pt")  # load a custom-trained model

# Export the model
model.export(format="onnx")

利用可能なYOLO26-clsのエクスポート形式を以下の表に示します。format引数を使用すると、format='onnx'やformat='engine'など、任意の形式にエクスポートできます。エクスポートしたモデルで直接予測または検証することもできます。例：yolo predict model=yolo26n-cls.onnx。エクスポート完了後に、モデル用の使用例が表示されます。

形式	`format` 引数	モデル	メタデータ	引数
PyTorch	-	`yolo26n-cls.pt`	✅	-
TorchScript	`torchscript`	`yolo26n-cls.torchscript`	✅	`imgsz`、`quantize`、`dynamic`、`nms`、`batch`、`device`
ONNX	`onnx`	`yolo26n-cls.onnx`	✅	`imgsz`、`quantize`、`dynamic`、`simplify`、`opset`、`nms`、`batch`、`data`、`fraction`、`device`
OpenVINO	`openvino`	`yolo26n-cls_openvino_model/`	✅	`imgsz`、`quantize`、`dynamic`、`nms`、`batch`、`data`、`fraction`、`device`
TensorRT	`engine`	`yolo26n-cls.engine`	✅	`imgsz`、`quantize`、`dynamic`、`simplify`、`opset`、`workspace`、`nms`、`batch`、`data`、`fraction`、`device`
CoreML	`coreml`	`yolo26n-cls.mlpackage`	✅	`imgsz`、`dynamic`、`quantize`、`nms`、`batch`、`device`
TF SavedModel	`saved_model`	`yolo26n-cls_saved_model/`	✅	`imgsz`、`keras`、`quantize`、`opset`、`nms`、`batch`、`data`、`fraction`、`device`
TF GraphDef	`pb`	`yolo26n-cls.pb`	❌	`imgsz`、`opset`、`batch`、`device`
TF Edge TPU	`edgetpu`	`yolo26n-cls_edgetpu.tflite`	✅	`imgsz`、`quantize`、`opset`、`data`、`fraction`、`device`
PaddlePaddle	`paddle`	`yolo26n-cls_paddle_model/`	✅	`imgsz`、`batch`、`device`
MNN	`mnn`	`yolo26n-cls.mnn`	✅	`imgsz`、`batch`、`dynamic`、`quantize`、`simplify`、`opset`、`nms`、`device`
NCNN	`ncnn`	`yolo26n-cls_ncnn_model/`	✅	`imgsz`、`quantize`、`batch`、`device`
IMX500	`imx`	`yolo26n-cls_imx_model/`	✅	`imgsz`、`quantize`、`data`、`fraction`、`nms`、`device`
RKNN	`rknn`	`yolo26n-cls_rknn_model/`	✅	`imgsz`、`batch`、`name`、`quantize`、`simplify`、`opset`、`data`、`fraction`、`device`
ExecuTorch	`executorch`	`yolo26n-cls_executorch_model/`	✅	`imgsz`、`batch`、`device`
Axelera	`axelera`	`yolo26n-cls_axelera_model/`	✅	`imgsz`、`batch`、`quantize`、`data`、`fraction`、`device`
DEEPX	`deepx`	`yolo26n-cls_deepx_model/`	✅	`imgsz`、`quantize`、`simplify`、`opset`、`data`、`optimize`、`device`
Qualcomm QNN	`qnn`	`yolo26n-cls_qnn.onnx`	✅	`imgsz`、`batch`、`name`、`quantize`、`simplify`、`opset`、`data`、`fraction`、`device`
LiteRT	`litert`	`yolo26n-cls.tflite`	✅	`imgsz`、`quantize`、`batch`、`data`、`fraction`、`device`
Hailo	`hailo`	`yolo26n-cls_hailo_model/`	✅	`imgsz`、`name`、`quantize`、`data`、`fraction`、`simplify`、`conf`、`iou`
Huawei Ascend	`ascend`	`yolo26n-cls_ascend_model/`	✅	`imgsz`、`batch`、`name`、`quantize`、`opset`、`simplify`、`nms`
Apple Core AI	`coreai`	`yolo26n-cls.aimodel`	✅	`imgsz`、`batch`、`quantize`

nms=None は、外部 NMS の場合は生出力をデフォルトとします。nms=False を設定して利用可能な NMS なしのヘッドを選択します。サポートされていないフォーマットは、ネイティブ出力パスにフォールバックします。上記の nms エントリは、nms=True を使用して NMS を埋め込むことができるフォーマットを特定します。

Exportページで、export の詳細をすべて確認できます。

FAQ#

yolo26n-cls.ptなどのYOLO26モデルは、効率的な画像分類のために設計されています。画像全体に単一のクラスラベルと信頼度スコアを割り当てます。画像内のオブジェクトの位置や形状を特定するよりも、画像の具体的なクラスが分かれば十分なアプリケーションで特に役立ちます。
YOLO26モデルを学習するには、PythonまたはCLIコマンドを使用できます。たとえば、画像サイズ64、100エポックでMNIST160データセット上のyolo26n-clsモデルを学習するには、次のようにします。
例
from ultralytics import YOLO # Load a model model = YOLO("yolo26n-cls.pt") # load a pretrained model (recommended for training) # Train the model results = model.train(data="mnist160", epochs=100, imgsz=64)
その他の設定オプションについては、Configurationページを参照してください。
事前学習済みのYOLO26画像分類モデルは、モデルセクションで確認できます。yolo26n-cls.pt、yolo26s-cls.pt、yolo26m-cls.ptなどのモデルはImageNetデータセットで事前学習されており、さまざまな画像分類タスク用に簡単にダウンロードして使用できます。
PythonまたはCLIコマンドを使用して、学習済みのYOLO26モデルをさまざまな形式にエクスポートできます。たとえば、モデルをONNX形式にエクスポートするには、次のようにします。
例
from ultralytics import YOLO # Load a model model = YOLO("yolo26n-cls.pt") # load the trained model # Export the model to ONNX model.export(format="onnx")
詳細なエクスポートオプションについては、Exportページを参照してください。
MNIST160などのデータセットで学習済みモデルの精度を検証するには、次のPythonまたはCLIコマンドを使用できます。
例
from ultralytics import YOLO # Load a model model = YOLO("yolo26n-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
詳細については、Validateセクションを参照してください。

貢献者

GLglenn-jocher³² RAraimbekovm⁵ BUBurhan-Q⁴ LALaughing-q³ AMambitious-octopus³ RIRizwanMunawar³ PDpderrenger² PIpicsalex² MImiles-deans-ultralytics¹ MAMatthewNoyce¹ FCfcakyon¹

作成日 2023年11月12日更新日 4 日前