이미지 분류

이미지 분류 예시

이미지 분류는 세 가지 작업 중 가장 간단한 작업으로, 전체 이미지를 미리 정의된 클래스 세트 중 하나로 분류하는 작업입니다.

이미지 분류기의 출력은 단일 클래스 레이블과 신뢰도 점수입니다. 이미지 분류는 이미지가 속한 클래스만 알고 싶고 해당 클래스의 객체가 어디에 있는지 또는 정확한 모양이 무엇인지 알 필요가 없을 때 유용합니다.

Watch: Ultralytics YOLO 작업 살펴보기: Ultralytics HUB를 사용한 이미지 분류

팁

YOLOv8 모델 분류는 -cls 접미사, 즉 yolov8n-cls.pt 에 대해 사전 교육을 받았으며 이미지넷.

모델

YOLOv8 사전 학습된 분류 모델이 여기에 나와 있습니다. 감지, 세그먼트 및 포즈 모델은 COCO 데이터 세트에서 사전 학습된 반면, 분류 모델은 ImageNet 데이터 세트에서 사전 학습되었습니다.

모델은 처음 사용할 때 최신 Ultralytics 릴리스에서 자동으로 다운로드됩니다.

모델	크기 ^(픽셀)	acc ^top1	ACC ^TOP5	속도 ^{CPU ONNX (ms)}	속도 A100^{TensorRT (ms)}	매개변수 ^(M)	FLOPs ^{(B) at 640}
YOLOv8n-cls	224	69.0	88.3	12.9	0.31	2.7	4.3
YOLOv8s-cls	224	73.8	91.7	23.4	0.35	6.4	13.5
YOLOv8m-cls	224	76.8	93.5	85.4	0.62	17.0	42.7
YOLOv8l-cls	224	76.8	93.5	163.0	0.87	37.5	99.7
YOLOv8x-cls	224	79.0	94.6	232.0	1.01	57.4	154.8

acc 값은 모델 정확도입니다. 이미지넷 데이터 세트 유효성 검사 집합.
복제 대상 yolo val classify data=path/to/ImageNet device=0
속도 이미지넷 값 이미지에 대해 평균을 구합니다. Amazon EC2 P4d 인스턴스.
복제 대상 yolo val classify data=path/to/ImageNet batch=1 device=0|cpu

기차

이미지 크기 64에서 100개의 에포크에 대해 MNIST160 데이터 세트에 대해 YOLOv8n-cls를 훈련합니다. 사용 가능한 인수의 전체 목록은 구성 페이지를 참조하세요.

예

PythonCLI

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

데이터 집합 형식

YOLO 분류 데이터셋 형식은 데이터셋 가이드에서 자세히 확인할 수 있습니다.

Val

MNIST160 데이터 세트에서 학습된 YOLOv8n-cls 모델 정확도를 검증합니다. 인수는 전달할 필요가 없습니다. model 교육을 유지합니다. data 및 인수를 모델 속성으로 사용합니다.

예

PythonCLI

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

예측

학습된 YOLOv8n-cls 모델을 사용하여 이미지에 대한 예측을 실행합니다.

예

PythonCLI

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

전체 보기 predict 모드 세부 정보에서 예측 페이지로 이동합니다.

내보내기

YOLOv8n-cls 모델을 ONNX, CoreML 등과 같은 다른 형식으로 내보냅니다.

예

PythonCLI

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

사용 가능한 YOLOv8-cls 내보내기 형식은 아래 표에 나와 있습니다. 다음을 사용하여 모든 형식으로 내보낼 수 있습니다. format 인수, 즉 format='onnx' 또는 format='engine'. 내보낸 모델에서 직접 예측하거나 검증할 수 있습니다. yolo predict model=yolov8n-cls.onnx. 내보내기가 완료된 후 모델에 대한 사용 예가 표시됩니다.

형식	`format` 인수	모델	메타데이터	인수
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 Lite	`tflite`	`yolov8n-cls.tflite`	✅	`imgsz`, `half`, `int8`, `batch`
TF Edge 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`

전체 보기 export 세부 정보에서 내보내기 페이지로 이동합니다.

2023-11-12 생성, 2024-04-27 업데이트됨
작성자: glenn-jocher (12), Burhan-Q (1), RizwanMunawar (2), fcakyon (1), Laughing-q (1), AyushExel (1)

이미지 분류

모델

기차

데이터 집합 형식

Val

예측

내보내기

댓글