Ir para o conteúdo

Classificação de Imagens

Exemplos de classificação de imagens

A classificação de imagens é a tarefa mais simples das três e envolve classificar uma imagem inteira em uma de um conjunto de classes pré-definidas.

A saída de um classificador de imagem é um único rótulo de classe e uma pontuação de confiança. A classificação de imagem é útil quando você precisa saber apenas a qual classe uma imagem pertence e não precisa conhecer a localização dos objetos dessa classe ou o formato exato deles.

Dica

Os modelos YOLOv8 Classify usam o sufixo -cls, ou seja, yolov8n-cls.pt e são pré-treinados na ImageNet.

Modelos

Aqui são mostrados os modelos pré-treinados YOLOv8 Classify. Modelos de Detecção, Segmentação e Pose são pré-treinados no dataset COCO, enquanto que os modelos de Classificação são pré-treinados no dataset ImageNet.

Modelos são baixados automaticamente do último lançamento da Ultralytics release no primeiro uso.

Modelo Tamanho
(pixels)		 acurácia
top1		 acurácia
top5		 Velocidade
CPU ONNX
(ms)		 Velocidade
A100 TensorRT
(ms)		 parâmetros
(M)		 FLOPs
(B) a 640
YOLOv8n-cls 224 66.6 87.0 12.9 0.31 2.7 4.3
YOLOv8s-cls 224 72.3 91.1 23.4 0.35 6.4 13.5
YOLOv8m-cls 224 76.4 93.2 85.4 0.62 17.0 42.7
YOLOv8l-cls 224 78.0 94.1 163.0 0.87 37.5 99.7
YOLOv8x-cls 224 78.4 94.3 232.0 1.01 57.4 154.8
  • Os valores de acc são as acurácias dos modelos no conjunto de validação do dataset ImageNet.
    Reproduza com yolo val classify data=path/to/ImageNet device=0
  • Velocidade média observada sobre imagens de validação da ImageNet usando uma instância Amazon EC2 P4d.
    Reproduza com yolo val classify data=path/to/ImageNet batch=1 device=0|cpu

Treino

Treine o modelo YOLOv8n-cls no dataset MNIST160 por 100 épocas com tamanho de imagem 64. Para uma lista completa de argumentos disponíveis, veja a página de Configuração.

Exemplo

from ultralytics import YOLO

# Carregar um modelo
model = YOLO('yolov8n-cls.yaml')  # construir um novo modelo a partir do YAML
model = YOLO('yolov8n-cls.pt')  # carregar um modelo pré-treinado (recomendado para treino)
model = YOLO('yolov8n-cls.yaml').load('yolov8n-cls.pt')  # construir a partir do YAML e transferir pesos

# Treinar o modelo
results = model.train(data='mnist160', epochs=100, imgsz=64)

# Construir um novo modelo a partir do YAML e começar treino do zero
yolo classify train data=mnist160 model=yolov8n-cls.yaml epochs=100 imgsz=64

# Começar treino de um modelo pré-treinado *.pt
yolo classify train data=mnist160 model=yolov8n-cls.pt epochs=100 imgsz=64

# Construir um novo modelo do YAML, transferir pesos pré-treinados e começar treino
yolo classify train data=mnist160 model=yolov8n-cls.yaml pretrained=yolov8n-cls.pt epochs=100 imgsz=64

Formato do dataset

O formato do dataset de classificação YOLO pode ser encontrado em detalhes no Guia de Datasets.

Val

Valide a acurácia do modelo YOLOv8n-cls treinado no dataset MNIST160. Não é necessário passar argumento, pois o modelo retém seus dados de treinamento e argumentos como atributos do modelo.

Exemplo

from ultralytics import YOLO

# Carregar um modelo
model = YOLO('yolov8n-cls.pt')  # carregar um modelo oficial
model = YOLO('path/to/best.pt')  # carregar um modelo personalizado

# Validar o modelo
metrics = model.val()  # sem argumentos necessários, dataset e configurações lembrados
metrics.top1   # acurácia top1
metrics.top5   # acurácia top5

yolo classify val model=yolov8n-cls.pt  # validar modelo oficial
yolo classify val model=path/to/best.pt  # validar modelo personalizado

Previsão

Use um modelo YOLOv8n-cls treinado para realizar previsões em imagens.

Exemplo

from ultralytics import YOLO

# Carregar um modelo
model = YOLO('yolov8n-cls.pt')  # carregar um modelo oficial
model = YOLO('path/to/best.pt')  # carregar um modelo personalizado

# Prever com o modelo
results = model('https://ultralytics.com/images/bus.jpg')  # prever em uma imagem

yolo classify predict model=yolov8n-cls.pt source='https://ultralytics.com/images/bus.jpg'  # prever com modelo oficial
yolo classify predict model=path/to/best.pt source='https://ultralytics.com/images/bus.jpg'  # prever com modelo personalizado

Veja detalhes completos do modo de previsão na página Predict.

Exportar

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

Exemplo

from ultralytics import YOLO

# Carregar um modelo
model = YOLO('yolov8n-cls.pt')  # carregar um modelo oficial
model = YOLO('path/to/best.pt')  # carregar um modelo treinado personalizado

# Exportar o modelo
model.export(format='onnx')

yolo export model=yolov8n-cls.pt format=onnx  # exportar modelo oficial
yolo export model=path/to/best.pt format=onnx  # exportar modelo treinado personalizado

Os formatos de exportação YOLOv8-cls disponíveis estão na tabela abaixo. Você pode prever ou validar diretamente nos modelos exportados, ou seja, yolo predict model=yolov8n-cls.onnx. Exemplos de uso são mostrados para seu modelo após a conclusão da exportação.

Formato Argumento format Modelo Metadata Argumentos
PyTorch - yolov8n-cls.pt ✅ -
TorchScript torchscript yolov8n-cls.torchscript ✅ imgsz, optimize
ONNX onnx yolov8n-cls.onnx ✅ imgsz, half, dynamic, simplify, opset
OpenVINO openvino yolov8n-cls_openvino_model/ ✅ imgsz, half
TensorRT engine yolov8n-cls.engine ✅ imgsz, half, dynamic, simplify, workspace
CoreML coreml yolov8n-cls.mlpackage ✅ imgsz, half, int8, nms
TF SavedModel saved_model yolov8n-cls_saved_model/ ✅ imgsz, keras
TF GraphDef pb yolov8n-cls.pb ❌ imgsz
TF Lite tflite yolov8n-cls.tflite ✅ imgsz, half, int8
TF Edge TPU edgetpu yolov8n-cls_edgetpu.tflite ✅ imgsz
TF.js tfjs yolov8n-cls_web_model/ ✅ imgsz
PaddlePaddle paddle yolov8n-cls_paddle_model/ ✅ imgsz
ncnn ncnn yolov8n-cls_ncnn_model/ ✅ imgsz, half

Veja detalhes completos da exportação na página Export.


Created 2023-11-13, Updated 2023-11-18
Authors: glenn-jocher (4)

Comentários