画像分類

Q: What is the purpose of YOLO11 in image classification?

YOLO11 yolo11n-cls.ptのようなモデルは、効率的な画像分類のために設計されています。これらのモデルは、信頼度スコアとともに画像全体に単一のクラスラベルを割り当てます。これは、画像内のオブジェクトの位置や形状を特定するのではなく、画像の特定のクラスを知るだけで十分なアプリケーションに特に有用です。

Q: How do I train a YOLO11 model for image classification?

YOLO11 モデルを学習するには、Python またはCLI コマンドを使用します。例えば、MNIST160 データセットで yolo11n-cls モデルを画像サイズ 64 で 100 エポック学習させる場合: その他の設定オプションについては、設定のページをご覧ください。

Q: Where can I find pretrained YOLO11 classification models?

事前に訓練されたYOLO11 分類モデルは、「モデル」セクションにあります。yolo11n-cls.pt、yolo11s-cls.pt、yolo11m-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、簡単にダウンロードしてさまざまな画像分類タスクに使用できます。

画像分類の例

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

YOLO11 Classifyモデルは -cls サフィックス、すなわち yolo11n-cls.pt で事前に訓練されている。イメージネット.

モデル

YOLO11 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 ^{CPU ONNX (ms)}	スピード T4^{TensorRT10 (ms)}	params ^(M)	FLOPs ^{(B) at 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 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

YOLO11n-clsをMNIST160データセットに画像サイズ64で100エポック学習させる。利用可能な引数の全リストは設定ページを参照。

例

PythonCLI

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

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

学習済みYOLO11n-clsモデルの検証精度を MNIST160 データセットに適用した。引数は必要ありません。 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

PythonCLI

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

yolo classify val model=yolo11n-cls.pt  # val official model
yolo classify val model=path/to/best.pt  # val custom model

予測する

訓練されたYOLO11n-clsモデルを使って、画像の予測を実行する。

例

PythonCLI

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

# Predict with the model
results = model("https://ultralytics.com/images/bus.jpg")  # predict on an image

yolo classify predict model=yolo11n-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

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

YOLO11n-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

PythonCLI

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 trained model

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

yolo export model=yolo11n-cls.pt format=onnx  # export official model
yolo export model=path/to/best.pt format=onnx  # export custom trained model

利用可能なYOLO11-cls エクスポート形式は以下の表の通りです。どのフォーマットでも 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=yolo11n-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	議論
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 ライト	`tflite`	`yolo11n-cls.tflite`	✅	`imgsz`, `half`, `int8`, `batch`
TF エッジ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`
MNN	`mnn`	`yolo11n-cls.mnn`	✅	`imgsz`, `batch`, `int8`, `half`
NCNN	`ncnn`	`yolo11n-cls_ncnn_model/`	✅	`imgsz`, `half`, `batch`
IMX500	`imx`	`yolo11n-cls_imx_model/`	✅	`imgsz`, `int8`

詳細を見る export 詳細は輸出ページを参照されたい。

よくあるご質問

画像分類におけるYOLO11 の目的は？

YOLO11 などのモデルがある。 yolo11n-cls.ptは、効率的な画像分類のために設計されている。これは、信頼度スコアとともに画像全体に単一のクラス・ラベルを割り当てる。これは、画像内のオブジェクトの位置や形状を特定するのではなく、画像の特定のクラスを知るだけで十分なアプリケーションに特に有用である。

画像分類のためのYOLO11 モデルの学習方法は？

YOLO11 モデルをトレーニングするには、Python またはCLI のいずれかのコマンドを使用する。たとえば yolo11n-cls モデルをMNIST160データセットに適用し、画像サイズ64で100エポック行った：

例

PythonCLI

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n-cls.pt")  # load a pretrained model (recommended for training)

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

yolo classify train data=mnist160 model=yolo11n-cls.pt epochs=100 imgsz=64

その他の設定オプションについては、設定のページをご覧ください。

事前に訓練されたYOLO11 分類モデルはどこで手に入りますか？

事前に訓練されたYOLO11 の分類モデルは、次の場所で見つけることができる。モデルセクションをご覧ください。以下のようなモデル yolo11n-cls.pt, yolo11s-cls.pt, yolo11m-cls.ptなどはイメージネットデータセットは簡単にダウンロードでき、様々な画像分類タスクに使用できる。

学習させたYOLO11 モデルをさまざまな形式にエクスポートするには？

Python 、CLI コマンドを使って、学習済みのYOLO11 モデルをさまざまな形式にエクスポートすることができます。例えば、ONNX フォーマットにモデルをエクスポートする：

例

PythonCLI

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n-cls.pt")  # load the trained model

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

yolo export model=yolo11n-cls.pt format=onnx  # export the trained model to ONNX format

詳細なエクスポートオプションについては、エクスポートのページを参照してください。

学習したYOLO11 分類モデルを検証するにはどうすればよいですか？

MNIST160のようなデータセットで学習済みモデルの精度を検証するには、以下のPython またはCLI コマンドを使用できます：

例

PythonCLI

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n-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

yolo classify val model=yolo11n-cls.pt  # validate the trained model

詳しくはValidateセクションをご覧ください。

📅作成：1年前 ✏️更新しました 2ヶ月前

画像分類

モデル

電車

データセット形式

バル

予測する

輸出

よくあるご質問

画像分類におけるYOLO11 の目的は？

画像分類のためのYOLO11 モデルの学習方法は？

事前に訓練されたYOLO11 分類モデルはどこで手に入りますか？

学習させたYOLO11 モデルをさまざまな形式にエクスポートするには？

学習したYOLO11 分類モデルを検証するにはどうすればよいですか？

コメント