Классификация изображений с Ultralytics YOLO#

Классификация изображений — одна из самых простых поддерживаемых задач: она определяет, к какому из заданных классов относится изображение целиком.

Классификатор изображений выдаёт одну метку класса и оценку уверенности. Классификация изображений полезна, когда тебе нужно знать только класс изображения, а сведения о расположении объектов этого класса и их точной форме не нужны.

Модели#

Ниже представлены модели YOLO26 Classify, предварительно обученные на наборе данных ImageNet.

Модели автоматически загружаются из последнего релиза Ultralytics при первом использовании.

• Значения acc — это точность моделей на валидационной выборке ImageNet.
  Воспроизведи результаты с помощью yolo classify val data=path/to/ImageNet device=0
• Скорость усреднена по изображениям валидационной выборки ImageNet: измерения выполнены с ONNX на CPU и TensorRT10 на GPU NVIDIA T4.
  Воспроизведи результаты с помощью yolo classify val data=path/to/ImageNet batch=1 device=0|cpu
• Значения Params и FLOPs указаны для объединенной модели после model.fuse(), которая объединяет слои Conv и BatchNorm. Предварительно обученные контрольные точки сохраняют полную архитектуру обучения, поэтому их значения могут быть выше.

См. предварительную версию YOLO27, ещё не выпущенную, чтобы узнать предварительные показатели скорости классификации и размеры моделей.

Обучение#

Обучи YOLO26n-cls на наборе данных MNIST160 в течение 100 эпох с размером изображений 64. Полный список доступных аргументов см. на странице Конфигурация.

from ultralytics import YOLO

# Загрузить модель
model = YOLO("yolo26n-cls.yaml")  # создать новую модель из YAML
model = YOLO("yolo26n-cls.pt")  # загрузить предварительно обученную модель (рекомендуется для обучения)
model = YOLO("yolo26n-cls.yaml").load("yolo26n-cls.pt")  # создать модель из YAML и перенести веса

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

Полное описание режима train см. на странице Обучение. Модели классификации также можно обучать в облаке с помощью платформы Ultralytics.

Формат датасета#

Подробное описание формата наборов данных для классификации YOLO см. в руководстве по наборам данных. Наборами данных для классификации также можно управлять и размечать их с помощью инструментов аннотирования платформы Ultralytics.

Пользовательские преобразования#

Для обучения классификаторов Ultralytics YOLO использует torchvision.transforms.RandomResizedCrop, а для валидации и инференса — torchvision.transforms.CenterCrop. Эти преобразования с обрезкой предполагают квадратный формат входных изображений и могут обрезать важные области изображений с очень вытянутым соотношением сторон. Чтобы сохранить изображение целиком, замени обрезку на torchvision.transforms.Resize, которая масштабирует изображение до imgsz × imgsz, а не обрезает его, используя пользовательские ClassificationDataset, ClassificationTrainer и ClassificationValidator:

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 = "", names=None):
        """Initialize a customized classification dataset with enhanced data augmentation transforms."""
        super().__init__(root, args, augment, prefix, names)

        # Добавь сюда свои пользовательские преобразования для обучения
        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),
            ]
        )

        # Добавь сюда свои пользовательские преобразования для валидации
        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="train" if mode == "train" else self.args.split,
            names=self.data["names"],
        )

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, names=self.names)

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

Валидация#

Проверь точность обученной модели YOLO26n-cls. Аргументы не нужны: model сохраняет параметры data и аргументы обучения в качестве атрибутов модели; path/to/best.pt из примера обучения выполняет валидацию на MNIST160. В официальных весах записан путь к набору данных для обучения, которого нет на твоём компьютере, поэтому с предупреждением используется значение imagenet10 по умолчанию для этой задачи. Укажи data, чтобы выполнить валидацию на другом наборе данных.

from ultralytics import YOLO

# Загрузить модель
model = YOLO("yolo26n-cls.pt")  # загрузить официальную модель
model = YOLO("path/to/best.pt")  # загрузить пользовательскую модель

# Валидировать модель
metrics = model.val()  # аргументы не нужны, набор данных и настройки сохранены
metrics.top1  # top1 accuracy
metrics.top5  # top5 accuracy

Предсказание#

Используй обученную модель YOLO26n-cls для предсказаний на изображениях.

from ultralytics import YOLO

# Загрузить модель
model = YOLO("yolo26n-cls.pt")  # загрузить официальную модель
model = YOLO("path/to/best.pt")  # загрузить пользовательскую модель

# Получи предсказания с помощью модели
results = model("https://ultralytics.com/images/bus.jpg")  # получи предсказание для изображения

# Обратись к результатам
for result in results:
    top1 = result.probs.top1  # ID класса с наивысшей вероятностью
    top1_conf = result.probs.top1conf  # уверенность в предсказании с наивысшей вероятностью
    top1_name = result.names[top1]  # название класса с наивысшей вероятностью

Полное описание режима predict см. на странице Предсказание.

Результаты работы#

При классификации изображений возвращается один объект Results для каждого изображения. Основное поле предсказания — result.probs, которое содержит вектор вероятностей классов и вспомогательные функции для получения наиболее вероятных предсказаний.

Описание полей Results, специфичных для каждой задачи, см. в разделе Результаты предсказаний по задачам.

Экспорт#

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

from ultralytics import YOLO

# Загрузить модель
model = YOLO("yolo26n-cls.pt")  # загрузить официальную модель
model = YOLO("path/to/best.pt")  # загрузить пользовательскую модель

# Экспортировать модель
model.export(format="onnx")

Доступные форматы экспорта для YOLO26-cls перечислены в таблице ниже. Ты можешь экспортировать модель в любой формат с помощью аргумента format, например format='onnx' или format='engine'. Ты можешь напрямую выполнять предсказания или валидацию экспортированных моделей, например yolo predict model=yolo26n-cls.onnx. После завершения экспорта появятся примеры использования твоей модели.

nms=None по умолчанию возвращает исходные выходные данные для внешней NMS. Укажи nms=False, чтобы выбрать доступную голову без NMS; неподдерживаемые форматы используют собственный путь вывода. Элементы nms выше обозначают форматы, в которые можно встроить NMS с помощью nms=True.

Полное описание export смотри на странице экспорта.

Часто задаваемые вопросы#