Классификация изображений

Классификация изображений — это простейшая из трех задач, заключающаяся в классификации целого изображения в один из заранее определенных классов.

На выходе классификатор изображений выдает одну метку класса и оценку достоверности. Классификация изображений полезна, если тебе нужно знать только то, к какому классу принадлежит изображение, и не требуется знать, где расположены объекты этого класса или какова их точная форма.

Модели

Здесь представлены предварительно обученные модели классификации YOLO26. Модели для задач детекции (Detect), сегментации (Segment) и оценки поз (Pose) предварительно обучены на наборе данных COCO, модели Semantic — на Cityscapes, а модели Classify — на наборе данных ImageNet.

Модели автоматически загружаются из последнего релиза Ultralytics при первом использовании.

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

Обучение (Train)

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, mode: str = "train"):
        """Build a customized dataset for classification standalone validation."""
        return CustomizedDataset(root=img_path, args=self.args, augment=mode == "train", 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)

Формат датасета

Подробности о формате наборов данных для классификации YOLO можно найти в Руководстве по наборам данных. Наборами данных для классификации также можно управлять и размечать их на платформе Ultralytics.

Валидация (Val)

Проверь точность обученной модели YOLO26n-cls на наборе данных MNIST160. Аргументы не требуются, так как model сохраняет свои обучающие данные data и параметры как атрибуты 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

Предсказание (Predict)

Используй обученную модель YOLO26n-cls для запуска 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

Смотри все подробности режима predict на странице Предсказание.

Экспорт (Export)

Экспортируй модель YOLO26n-cls в другой формат, такой как 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 показаны для твоей модели после завершения экспорта.

Смотри все подробности export на странице Экспорт.

Часто задаваемые вопросы (FAQ)

В чем заключается цель YOLO26 в классификации изображений?

Модели YOLO26, такие как yolo26n-cls.pt, разработаны для эффективной классификации изображений. Они присваивают целой картинке одну метку класса вместе с оценкой достоверности. Это особенно полезно для приложений, где достаточно знать конкретный класс изображения, а не определять местоположение или форму объектов на нем.

Как обучить модель YOLO26 для классификации изображений?

Чтобы обучить модель YOLO26, ты можешь использовать команды Python или CLI. Например, чтобы обучить модель yolo26n-cls на наборе данных MNIST160 в течение 100 эпох с размером 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 параметров конфигурации посети страницу Конфигурация.

Где я могу найти предварительно обученные модели классификации YOLO26?

Предварительно обученные модели классификации YOLO26 можно найти в разделе Модели. Такие модели, как yolo26n-cls.pt, yolo26s-cls.pt, yolo26m-cls.pt и другие, предварительно обучены на наборе данных ImageNet и могут быть легко загружены и использованы для различных задач классификации изображений.

Как экспортировать обученную модель YOLO26 в разные форматы?

Ты можешь экспортировать обученную модель YOLO26 в различные форматы с помощью команд Python или CLI. 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")

Для детальных параметров экспорта обратись к странице Экспорт.

Как проверить обученную модель классификации YOLO26?

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

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.