Классификация изображений

Классификация изображений - самая простая из трех задач, которая заключается в отнесении всего изображения к одному из множества заранее определенных классов.

Результатом работы классификатора изображений является метка одного класса и балл доверия. Классификация изображений полезна, когда вам нужно знать только, к какому классу относится изображение, и не нужно знать, где расположены объекты этого класса или какова их точная форма.

Смотреть: Изучите Ultralytics YOLO Задачи: Классификация изображений с помощью Ultralytics HUB

Модели

YOLO11 Здесь показаны предварительно обученные модели Classify. Модели Detect, Segment и Pose предварительно обучены на наборе данных COCO, а модели Classify предварительно обучены на наборе данных ImageNet.

Модели автоматически загружаются из последнейверсии Ultralytics при первом использовании.

• acc значения - это точность модели на ImageNet Набор данных для проверки.
  Размножать по yolo val classify data=path/to/ImageNet device=0
• Скорость усреднение по изображениям ImageNet val с помощью Amazon EC2 P4d например.
  Размножать по yolo val classify data=path/to/ImageNet batch=1 device=0|cpu

Поезд

Обучение YOLO11n-cls на наборе данных MNIST160 в течение 100 эпох при размере изображения 64. Полный список доступных аргументов см. на странице Конфигурация.

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

Формат набора данных

YOLO Формат классификационного набора данных подробно описан в Руководстве по набору данных.

Вэл

Проверка обученной модели YOLO11n-cls точность на наборе данных MNIST160. Аргументы не требуются, так как model сохраняет свою подготовку data и аргументы как атрибуты модели.

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

Предсказать

Используйте обученную модель YOLO11n-cls для прогнозирования изображений.

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

Смотреть полностью predict подробности о режиме в Предсказать страница.

Экспорт

Экспортируйте модель YOLO11n-cls в другой формат, например ONNX, CoreML и т. д.

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

Доступные форматы экспорта YOLO11-cls приведены в таблице ниже. Вы можете экспортировать в любой формат, используя format аргумент, т.е. format='onnx' или format='engine'. Вы можете прогнозировать или проверять непосредственно на экспортированных моделях, т.е. yolo predict model=yolo11n-cls.onnx. Примеры использования показаны для вашей модели после завершения экспорта.

Смотреть полностью export подробности в Экспорт страница.

ЧАСТО ЗАДАВАЕМЫЕ ВОПРОСЫ

Какова цель YOLO11 в классификации изображений?

YOLO11 модели, такие как yolo11n-cls.ptразработаны для эффективной классификации изображений. Они присваивают всему изображению метку одного класса вместе с оценкой доверия. Это особенно полезно для приложений, где достаточно знать конкретный класс изображения, а не определять местоположение или форму объектов на изображении.

Как обучить модель YOLO11 для классификации изображений?

Для обучения модели YOLO11 можно использовать команды Python или CLI . Например, для обучения модели yolo11n-cls модель на наборе данных MNIST160 в течение 100 эпох при размере изображения 64:

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

Дополнительные параметры конфигурации можно найти на странице Конфигурация.

Где можно найти предварительно обученные модели классификации YOLO11 ?

Предварительно обученные модели классификации YOLO11 можно найти в Модели раздел. Такие модели, как yolo11n-cls.pt, yolo11s-cls.pt, yolo11m-cls.ptи т.д., предварительно обучаются на ImageNet Набор данных можно легко загрузить и использовать для решения различных задач классификации изображений.

Как экспортировать обученную модель YOLO11 в различные форматы?

Обученную модель YOLO11 можно экспортировать в различные форматы с помощью команд Python или CLI . Например, чтобы экспортировать модель в формат ONNX :

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

Подробные параметры экспорта см. на странице "Экспорт".

Как проверить обученную модель классификации YOLO11 ?

Чтобы проверить точность обученной модели на таком наборе данных, как MNIST160, можно использовать следующие команды Python или CLI :

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

Для получения дополнительной информации посетите раздел Validate.

📅 Создано 1 год назад ✏️ Обновлено 1 месяц назад

Комментарии