Классификация изображений

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

Выход классификатора изображений - это метка одного класса и балл доверия. Классификация изображений полезна, когда тебе нужно знать только, к какому классу относится изображение, и не нужно знать, где расположены объекты этого класса или какова их точная форма.

Смотри: Изучи Ultralytics YOLO Задачи: Классификация изображений с помощью Ultralytics HUB

Модели

YOLOv8 Здесь показаны предварительно обученные модели Classify. Модели Detect, Segment и Pose были предварительно обучены на наборе данных COCO, а модели Classify - на наборе данных ImageNet.

Модели автоматически загружаются с последнегорелиза Ultralytics при первом использовании.

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

Поезд

Обучи YOLOv8n-cls на наборе данных MNIST160 в течение 100 эпох при размере изображения 64. Полный список доступных аргументов смотри на странице конфигурации.

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n-cls.yaml")  # build a new model from YAML
model = YOLO("yolov8n-cls.pt")  # load a pretrained model (recommended for training)
model = YOLO("yolov8n-cls.yaml").load("yolov8n-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=yolov8n-cls.yaml epochs=100 imgsz=64

# Start training from a pretrained *.pt model
yolo classify train data=mnist160 model=yolov8n-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=yolov8n-cls.yaml pretrained=yolov8n-cls.pt epochs=100 imgsz=64

Формат датасета

YOLO Формат классификационного набора данных можно подробно изучить в руководстве по набору данных.

Вэл

Проверь точность обученной модели YOLOv8n-cls на наборе данных MNIST160. Не нужно передавать никаких аргументов в качестве model сохраняет свою подготовку data и аргументы в качестве атрибутов модели.

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n-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=yolov8n-cls.pt  # val official model
yolo classify val model=path/to/best.pt  # val custom model

Предсказывай

Используй обученную модель YOLOv8n-cls для выполнения предсказаний на изображениях.

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n-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=yolov8n-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 Предсказывай Страница.

Экспорт

Экспортируй модель YOLOv8n-cls в другой формат, например ONNX, CoreML, и т.д.

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n-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=yolov8n-cls.pt format=onnx  # export official model
yolo export model=path/to/best.pt format=onnx  # export custom trained model

Доступные форматы экспорта YOLOv8-cls приведены в таблице ниже. Ты можешь экспортировать в любой формат, используя format аргумент, то есть format='onnx' или format='engine'. Ты можешь предсказывать или проверять непосредственно на экспортированных моделях, то есть yolo predict model=yolov8n-cls.onnx. Примеры использования будут показаны для твоей модели после завершения экспорта.

Смотреть полностью export подробности в Экспорт Страница.

ВОПРОСЫ И ОТВЕТЫ

Какова цель YOLOv8 в классификации изображений?

YOLOv8 модели, такие как yolov8n-cls.ptОни предназначены для эффективной классификации изображений. Они присваивают всему изображению одну метку класса вместе с баллом доверия. Это особенно полезно для приложений, где достаточно знать конкретный класс изображения, а не определять местоположение или форму объектов на изображении.

Как обучить модель YOLOv8 для классификации изображений?

Чтобы обучить модель YOLOv8 , ты можешь использовать команды Python или CLI . Например, для обучения модели yolov8n-cls модель на наборе данных MNIST160 в течение 100 эпох при размере изображения 64:

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n-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=yolov8n-cls.pt epochs=100 imgsz=64

О других вариантах настройки читай на странице " Конфигурация ".

Где я могу найти предварительно обученные модели классификации YOLOv8 ?

Предварительно обученные модели классификации YOLOv8 можно найти в Модели Раздел. Такие модели, как yolov8n-cls.pt, yolov8s-cls.pt, yolov8m-cls.ptи т.д., проходят предварительное обучение на ImageNet набор данных, который можно легко скачать и использовать для решения различных задач по классификации изображений.

Как экспортировать обученную модель YOLOv8 в разные форматы?

Ты можешь экспортировать обученную модель YOLOv8 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("yolov8n-cls.pt")  # load the trained model

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

yolo export model=yolov8n-cls.pt format=onnx  # export the trained model to ONNX format

О подробных параметрах экспорта читай на странице " Экспорт ".

Как проверить обученную модель классификации YOLOv8 ?

Чтобы проверить точность обученной модели на таком наборе данных, как MNIST160, ты можешь воспользоваться следующими командами Python или CLI :

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n-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=yolov8n-cls.pt  # validate the trained model

Для получения дополнительной информации посети раздел Validate.

Комментарии