yolo val classify data=path/to/ImageNet device=0
yolo val classify data=path/to/ImageNet batch=1 device=0|cpu
Train YOLO11n-cls on the MNIST160 dataset for 100 epochs at image size 64. For a full list of available arguments see the Configuration page.
Exemplo
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
YOLO O formato do conjunto de dados de classificação pode ser consultado em pormenor no Guia do conjunto de dados.
Validate trained YOLO11n-cls model accuracy on the MNIST160 dataset. No arguments are needed as the model
mantém a sua formação data
e argumentos como atributos do modelo.
Exemplo
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
Use a trained YOLO11n-cls model to run predictions on images.
Exemplo
Ver completo predict
detalhes do modo no Prevê página.
Export a YOLO11n-cls model to a different format like ONNX, CoreML, etc.
Exemplo
Available YOLO11-cls export formats are in the table below. You can export to any format using the format
argumento, ou seja format='onnx'
ou format='engine'
. Podes prever ou validar diretamente nos modelos exportados, ou seja yolo predict model=yolo11n-cls.onnx
. São apresentados exemplos de utilização para o teu modelo após a conclusão da exportação.
Formato | format Argumenta | Modelo | Metadados | Argumentos |
---|---|---|---|---|
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 Leve | tflite | yolo11n-cls.tflite | ✅ | imgsz , half , int8 , batch |
TF Borda 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 |
Ver completo export
detalhes no Exportação página.
YOLO11 models, such as yolo11n-cls.pt
são 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.
To train a YOLO11 model, you can use either Python or CLI commands. For example, to train a yolo11n-cls
no conjunto de dados MNIST160 para 100 épocas com um tamanho de imagem de 64:
Exemplo
Para mais opções de configuração, visita a página Configuração.
Pretrained YOLO11 classification models can be found in the Modelos secção. Modelos como yolo11n-cls.pt
, yolo11s-cls.pt
, yolo11m-cls.pt
, etc., são pré-treinados no ImageNet e pode ser facilmente descarregado e utilizado para várias tarefas de classificação de imagens.
You can export a trained YOLO11 model to various formats using Python or CLI commands. For instance, to export a model to ONNX format:
Exemplo
Para opções de exportação detalhadas, consulta a página Exportar.
Para validar a precisão de um modelo treinado num conjunto de dados como o MNIST160, podes utilizar os seguintes comandos Python ou CLI :
Exemplo
Para mais informações, visita a secção Validar.