Классификация изображений

Классификация изображений — самая простая из трех задач, заключающаяся в присвоении всему изображению одного из набора предопределенных классов.

Результатом работы классификатора изображений является одна метка класса и показатель уверенности. Классификация изображений полезна, когда 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 предобученные модели YOLO26 Classify. Модели для задач детекции, сегментации и оценки поз предобучены на наборе данных COCO, в то время как модели классификации предобучены на наборе данных ImageNet.

Модели при первом использовании автоматически загружаются из последнего релиза Ultralytics.

• acc — это точность модели на валидационном наборе данных ImageNet.
  Воспроизведи результат с помощью yolo val classify data=path/to/ImageNet device=0
• Скорость рассчитана как среднее значение 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 приведены 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.

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 набора данных

Формат набора данных для классификации YOLO подробно описан 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 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

Прогнозирование

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

Полные детали режима predict смотри 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 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 полные сведения об export на странице Экспорт.

Часто задаваемые вопросы (FAQ)

Какова цель YOLO26 в классификации изображений?

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

Как обучить модель YOLO26 для классификации изображений?

Для обучения модели YOLO26 ты можешь использовать Python или команды CLI. Например, чтобы обучить модель 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)

Дополнительные параметры конфигурации ищи на странице Конфигурация.

Где найти предобученные модели классификации YOLO26?

Предобученные модели классификации YOLO26 можно найти в разделе Модели. Модели, такие как 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.

Как экспортировать обученную модель YOLO26 в различные форматы?

Ты можешь экспортировать обученную модель YOLO26 в различные форматы, используя Python или команды 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")

Подробные параметры экспорта смотри на странице Экспорт.

Как проверить точность обученной модели классификации YOLO26?

Чтобы проверить точность обученной модели на наборе данных, таком 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

Дополнительную информацию смотри в разделе Валидация.