Classificação de imagens

A classificação de imagens é a mais simples das três tarefas e envolve a classificação de uma imagem inteira num conjunto de classes predefinidas.

O resultado de um classificador de imagens é uma etiqueta de classe única e uma pontuação de confiança. A classificação de imagens é útil quando apenas precisa de saber a que classe pertence uma imagem e não precisa de saber onde estão localizados os objectos dessa classe ou qual é a sua forma exacta.

Observa: Explora Ultralytics YOLO Tasks: Classificação de imagens usando Ultralytics HUB

Modelos

YOLOv8 Os modelos Classify pré-treinados são mostrados aqui. Os modelos Detetar, Segmentar e Pose são pré-treinados no conjunto de dados COCO, enquanto os modelos Classificar são pré-treinados no conjunto de dados ImageNet.

Os modelos são transferidos automaticamente a partir daversão mais recente de Ultralytics na primeira utilização.

• ac são as precisões do modelo no ImageNet conjunto de validação do conjunto de dados.
  Reproduzir por yolo val classify data=path/to/ImageNet device=0
• Velocidade calcula a média das imagens ImageNet val utilizando um Amazon EC2 P4d instância.
  Reproduzir por yolo val classify data=path/to/ImageNet batch=1 device=0|cpu

Comboio

Treina YOLOv8n-cls no conjunto de dados MNIST160 para 100 épocas com o tamanho de imagem 64. Para obter uma lista completa dos argumentos disponíveis, consulta a página Configuração.

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 do conjunto de dados

YOLO O formato do conjunto de dados de classificação pode ser consultado em pormenor no Guia do conjunto de dados.

Val

Valida a precisão do modelo YOLOv8n-cls treinado no conjunto de dados MNIST160. Não precisas de passar nenhum argumento, pois o model mantém a sua formação data e argumentos como atributos do modelo.

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

Prevê

Utiliza um modelo YOLOv8n-cls treinado para executar previsões em imagens.

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

Ver completo predict detalhes do modo no Prevê página.

Exportação

Exporta um modelo YOLOv8n-cls para um formato diferente, como ONNX, CoreML, etc.

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

Os formatos de exportação disponíveis em YOLOv8-cls estão na tabela abaixo. Podes exportar para qualquer formato utilizando o format argumento, ou seja format='onnx' ou format='engine'. Podes prever ou validar diretamente nos modelos exportados, ou seja yolo predict model=yolov8n-cls.onnx. São apresentados exemplos de utilização para o teu modelo após a conclusão da exportação.

Ver completo export detalhes no Exportação página.

FAQ

Qual é o objetivo do YOLOv8 na classificação de imagens?

YOLOv8 modelos, tais como yolov8n-cls.ptsão concebidos para uma classificação eficiente de imagens. Atribui uma única etiqueta de classe a uma imagem inteira, juntamente com uma pontuação de confiança. Isto é particularmente útil para aplicações em que é suficiente conhecer a classe específica de uma imagem, em vez de identificar a localização ou a forma dos objectos na imagem.

Como é que treino um modelo YOLOv8 para classificação de imagens?

Para treinar um modelo YOLOv8 , podes usar os comandos Python ou CLI . Por exemplo, para treinar um modelo yolov8n-cls no conjunto de dados MNIST160 para 100 épocas com um tamanho de imagem de 64:

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n-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=yolov8n-cls.pt epochs=100 imgsz=64

Para mais opções de configuração, visita a página Configuração.

Onde posso encontrar modelos de classificação YOLOv8 pré-treinados?

Os modelos de classificação YOLOv8 pré-treinados podem ser encontrados no Modelos secção. Modelos como yolov8n-cls.pt, yolov8s-cls.pt, yolov8m-cls.pt, etc., são pré-treinados no ImageNet e pode ser facilmente descarregado e utilizado para várias tarefas de classificação de imagens.

Como é que posso exportar um modelo YOLOv8 treinado para diferentes formatos?

É possível exportar um modelo YOLOv8 treinado para vários formatos usando os comandos Python ou CLI . Por exemplo, para exportar um modelo para o formato ONNX :

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n-cls.pt")  # load the trained model

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

yolo export model=yolov8n-cls.pt format=onnx  # export the trained model to ONNX format

Para opções de exportação detalhadas, consulta a página Exportar.

Como posso validar um modelo de classificação YOLOv8 treinado?

Para validar a precisão de um modelo treinado num conjunto de dados como o MNIST160, podes utilizar os seguintes comandos Python ou CLI :

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n-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=yolov8n-cls.pt  # validate the trained model

Para mais informações, visita a secção Validar.

Comentários