Link to this sectionКлассификация изображений#

Классификация изображений — это простейшая из поддерживаемых задач, которая заключается в отнесении целого изображения к одному из набора предопределенных классов.

Результатом работы классификатора изображений является одна метка класса и показатель достоверности (confidence score). Классификация изображений полезна, когда тебе нужно знать только то, к какому классу принадлежит изображение, и не требуется определять местоположение объектов этого класса или их точную форму.

Link to this sectionМодели#

Здесь представлены предобученные модели YOLO26 Classify. Модели для задач детекции, сегментации и оценки позы (Pose) предобучены на наборе данных COCO, модели Semantic предобучены на Cityscapes, а модели Classify — на наборе данных ImageNet.

Модели при первом использовании загружаются автоматически из последнего релиза Ultralytics.

• Значения acc — это точность моделей на валидационном наборе данных ImageNet.
  Воспроизведи результат командой yolo val classify data=path/to/ImageNet device=0
• Скорость усреднена по изображениям валидационного набора ImageNet с использованием инстанса Amazon EC2 P4d.
  Воспроизведи результат командой yolo val classify data=path/to/ImageNet batch=1 device=0|cpu
• Значения Params и FLOPs указаны для объединенной (fused) модели после model.fuse(), которая объединяет слои Conv и BatchNorm. Предобученные чекпоинты сохраняют полную архитектуру обучения и могут показывать более высокие значения.

Link to this sectionОбучение#

Обучи YOLO26n-cls на наборе данных MNIST160 в течение 100 эпох при размере изображения 64. Полный список доступных аргументов смотри на странице Конфигурация.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n-cls.yaml")  # build a new model from YAML
model = YOLO("yolo26n-cls.pt")  # load a pretrained model (recommended for training)
model = YOLO("yolo26n-cls.yaml").load("yolo26n-cls.pt")  # build from YAML and transfer weights

# Train the model
results = model.train(data="mnist160", epochs=100, imgsz=64)

import torch
import torchvision.transforms as T

from ultralytics import YOLO
from ultralytics.data.dataset import ClassificationDataset
from ultralytics.models.yolo.classify import ClassificationTrainer, ClassificationValidator

class CustomizedDataset(ClassificationDataset):
    """A customized dataset class for image classification with enhanced data augmentation transforms."""

    def __init__(self, root: str, args, augment: bool = False, prefix: str = ""):
        """Initialize a customized classification dataset with enhanced data augmentation transforms."""
        super().__init__(root, args, augment, prefix)

        # Add your custom training transforms here
        train_transforms = T.Compose(
            [
                T.Resize((args.imgsz, args.imgsz)),
                T.RandomHorizontalFlip(p=args.fliplr),
                T.RandomVerticalFlip(p=args.flipud),
                T.RandAugment(interpolation=T.InterpolationMode.BILINEAR),
                T.ColorJitter(brightness=args.hsv_v, contrast=args.hsv_v, saturation=args.hsv_s, hue=args.hsv_h),
                T.ToTensor(),
                T.Normalize(mean=torch.tensor(0), std=torch.tensor(1)),
                T.RandomErasing(p=args.erasing, inplace=True),
            ]
        )

        # Add your custom validation transforms here
        val_transforms = T.Compose(
            [
                T.Resize((args.imgsz, args.imgsz)),
                T.ToTensor(),
                T.Normalize(mean=torch.tensor(0), std=torch.tensor(1)),
            ]
        )
        self.torch_transforms = train_transforms if augment else val_transforms

class CustomizedTrainer(ClassificationTrainer):
    """A customized trainer class for YOLO classification models with enhanced dataset handling."""

    def build_dataset(self, img_path: str, mode: str = "train", batch=None):
        """Build a customized dataset for classification training and the validation during training."""
        return CustomizedDataset(root=img_path, args=self.args, augment=mode == "train", prefix=mode)

class CustomizedValidator(ClassificationValidator):
    """A customized validator class for YOLO classification models with enhanced dataset handling."""

    def build_dataset(self, img_path: str):
        """Build a customized dataset for classification standalone validation (no augmentation)."""
        return CustomizedDataset(root=img_path, args=self.args, augment=False, prefix=self.args.split)

model = YOLO("yolo26n-cls.pt")
model.train(data="imagenet1000", trainer=CustomizedTrainer, epochs=10, imgsz=224, batch=64)
model.val(data="imagenet1000", validator=CustomizedValidator, imgsz=224, batch=64)

Link to this sectionФормат набора данных#

Подробно формат набора данных классификации YOLO описан в Руководстве по датасетам. Наборы данных для классификации также можно управлять и размечать на платформе Ultralytics.

Link to this sectionВалидация#

Проверь точность обученной модели YOLO26n-cls на наборе данных MNIST160. Аргументы не нужны, так как model сохраняет свои обучающие данные data и аргументы в качестве атрибутов модели.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n-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

Link to this sectionПредсказание#

Используй обученную модель YOLO26n-cls для выполнения предсказаний на изображениях.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n-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

# Access the results
for result in results:
    top1 = result.probs.top1  # top predicted class ID
    top1_conf = result.probs.top1conf  # top prediction confidence
    top1_name = result.names[top1]  # top predicted class name

Полную информацию о режиме predict смотри на странице Predict.

Link to this sectionВывод результатов#

Классификация изображений возвращает один объект Results на изображение. Основным полем предсказания является result.probs, которое содержит вектор вероятностей классов и вспомогательные инструменты для получения топовых предсказаний.

Для получения информации о специфичных для задачи полях Results см. раздел Предсказания по задачам.

Link to this sectionЭкспорт#

Экспортируй модель YOLO26n-cls в другой формат, например ONNX, CoreML и т.д.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n-cls.pt")  # load an official model
model = YOLO("path/to/best.pt")  # load a custom-trained model

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

Доступные форматы экспорта YOLO26-cls приведены в таблице ниже. Ты можешь экспортировать модель в любой формат, используя аргумент format, например format='onnx' или format='engine'. Ты можешь выполнять предсказание или валидацию напрямую на экспортированных моделях, например yolo predict model=yolo26n-cls.onnx. Примеры использования будут показаны для твоей модели после завершения экспорта.

Смотри подробную информацию об export на странице Export.

Link to this sectionFAQ#

Link to this sectionКакова цель YOLO26 в классификации изображений?#

Модели YOLO26, такие как yolo26n-cls.pt, предназначены для эффективной классификации изображений. Они присваивают одну метку класса целому изображению вместе с показателем уверенности. Это особенно полезно для приложений, где достаточно знать конкретный класс изображения, а не определять местоположение или форму объектов внутри него.

Link to this sectionКак мне обучить модель YOLO26 для классификации изображений?#

Чтобы обучить модель YOLO26, ты можешь использовать Python или CLI-команды. Например, для обучения модели yolo26n-cls на наборе данных MNIST160 в течение 100 эпох при размере изображения 64:

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n-cls.pt")  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data="mnist160", epochs=100, imgsz=64)

Для получения дополнительных опций конфигурации посети страницу Конфигурация.

Link to this sectionГде я могу найти предобученные модели классификации YOLO26?#

Предобученные модели классификации YOLO26 можно найти в разделе Модели. Модели вроде yolo26n-cls.pt, yolo26s-cls.pt, yolo26m-cls.pt и другие предобучены на наборе данных ImageNet и могут быть легко загружены и использованы для различных задач классификации изображений.

Link to this sectionКак я могу экспортировать обученную модель YOLO26 в другие форматы?#

Ты можешь экспортировать обученную модель YOLO26 в различные форматы, используя Python или CLI-команды. Например, для экспорта модели в формат ONNX:

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n-cls.pt")  # load the trained model

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

Подробные параметры экспорта см. на странице Экспорт.

Link to this sectionКак мне проверить обученную модель классификации YOLO26?#

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

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n-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

Для получения дополнительной информации посети раздел Валидация.