画像分類
画像分類は3つのタスクの中で最も単純なもので、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する。
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。画像分類は、画像がどのクラスに属するかだけを知る必要があり、そのクラスのオブジェクトがどこにあるか、正確な形状は何かを知る必要がない場合に便利です。
見るんだ: Ultralytics YOLO タスクの探索:Ultralytics HUBを使用した画像分類
チップ
YOLOv8 分類モデルは -cls
サフィックス、すなわち yolov8n-cls.pt
で事前に訓練されている。 イメージネット.
モデル
YOLOv8 ここでは、事前学習されたClassifyモデルを示す。Detect、Segment、PoseモデルはCOCOデータセットで事前学習され、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) |
acc top1 |
acc top5 |
速度 CPUONNX (ms) |
速度 A100 TensorRT (ms) |
params (M) |
FLOPs (B) at 640 |
---|---|---|---|---|---|---|---|
YOLOv8n-cls(クルス | 224 | 69.0 | 88.3 | 12.9 | 0.31 | 2.7 | 4.3 |
YOLOv8s-cls(クルス | 224 | 73.8 | 91.7 | 23.4 | 0.35 | 6.4 | 13.5 |
YOLOv8m-cls(クルス | 224 | 76.8 | 93.5 | 85.4 | 0.62 | 17.0 | 42.7 |
YOLOv8l-cls(クルス | 224 | 76.8 | 93.5 | 163.0 | 0.87 | 37.5 | 99.7 |
YOLOv8x-cls(クルス | 224 | 79.0 | 94.6 | 232.0 | 1.01 | 57.4 | 154.8 |
- acc のモデル精度である。 イメージネット データセットの検証セット。
複製するyolo val classify data=path/to/ImageNet device=0
- スピード を使用してImageNetのval画像を平均化した。 アマゾンEC2 P4d インスタンスだ。
複製するyolo val classify data=path/to/ImageNet batch=1 device=0|cpu
電車
MNIST160 データセットを用いて、YOLOv8n-cls を画像サイズ 64 で 100 エポック学習します。利用可能な引数の完全なリストについては、設定ページを参照してください。
例
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
データセット形式
YOLO 分類データセットのフォーマットについては、「データセットガイド」を参照してください。
バル
学習したYOLOv8n-cls モデルの精度を MNIST160 データセットで検証する。として引数を渡す必要はない。 model
トレーニング data
と引数をモデル属性として使用する。
例
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
予測する
学習済みのYOLOv8n-cls モデルを使って、画像の予測を実行する。
例
詳細を見る predict
モードの詳細は 予測する ページを参照されたい。
輸出
YOLOv8n-cls モデルを、ONNX 、CoreML などの異なるフォーマットにエクスポートします。
例
利用可能なYOLOv8-cls エクスポート形式は以下の表の通りです。どのフォーマットにも format
引数、すなわち format='onnx'
または format='engine'
.エクスポートされたモデルを直接予測または検証することができます。 yolo predict model=yolov8n-cls.onnx
.使用例は、エクスポート完了後に表示されます。
フォーマット | format 議論 |
モデル | メタデータ | 論争 |
---|---|---|---|---|
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 ライト | tflite |
yolov8n-cls.tflite |
✅ | imgsz , half , int8 , batch |
TF エッジTPU | edgetpu |
yolov8n-cls_edgetpu.tflite |
✅ | imgsz , batch |
TF.js | 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 |
詳細を見る export
詳細は 輸出 ページを参照されたい。
作成日:2023-11-12 更新日:2024-04-27
作成者:glenn-jocher(12),Burhan-Q(1),RizwanMunawar(2),fcakyon(1),Laughing-q(1),AyushExel(1)