Görüntü Sınıflandırma

Görüntü sınıflandırma, üç görevden en basit olanıdır ve tüm bir görüntünün önceden tanımlanmış bir dizi sınıftan birine sınıflandırılmasını içerir.

Bir görüntü sınıflandırıcının çıktısı tek bir sınıf etiketi ve bir güven puanıdır. Görüntü sınıflandırma, bir görüntünün yalnızca hangi sınıfa ait olduğunu bilmeniz gerektiğinde ve bu sınıftaki nesnelerin nerede bulunduğunu veya tam şekillerinin ne olduğunu bilmeniz gerekmediğinde kullanışlıdır.

İzle: Ultralytics YOLO Görevlerini keşfedin: Ultralytics HUB kullanarak Görüntü Sınıflandırma

Modeller

YOLOv8 ön eğitimli Classify modelleri burada gösterilmektedir. Detect, Segment ve Pose modelleri COCO veri kümesi üzerinde, Classify modelleri ise ImageNet veri kümesi üzerinde ön eğitime tabi tutulmuştur.

Modeller ilk kullanımda en son Ultralytics sürümünden otomatik olarak indirilir.

• acc değerleri model doğruluklarıdır. ImageNet veri kümesi doğrulama seti.
  Tarafından çoğaltın yolo val classify data=path/to/ImageNet device=0
• Hız kullanarak ImageNet val görüntüleri üzerinde ortalama Amazon EC2 P4d örnek.
  Tarafından çoğaltın yolo val classify data=path/to/ImageNet batch=1 device=0|cpu

Tren

Görüntü boyutu 64'te 100 epok için MNIST160 veri kümesi üzerinde YOLOv8n-cls'yi eğitin. Kullanılabilir bağımsız değişkenlerin tam listesi için Yapılandırma sayfasına bakın.

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

Veri kümesi formatı

YOLO sınıflandırma veri kümesi formatı ayrıntılı olarak Veri Kümesi Kılavuzunda bulunabilir.

Val

MNIST160 veri kümesi üzerinde eğitilmiş YOLOv8n-cls model doğruluğunu doğrulayın. Herhangi bir argüman geçilmesine gerek yoktur. model eğitimini sürdürür data ve model öznitelikleri olarak argümanlar.

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

Tahmin Et

Görüntüler üzerinde tahminleri çalıştırmak için eğitilmiş bir YOLOv8n-cls modeli kullanın.

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

Tamamı görün predict modunun ayrıntıları Tahmin Et Sayfa.

İhracat

Bir YOLOv8n-cls modelini ONNX, CoreML, vb. gibi farklı bir formata aktarın.

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

Kullanılabilir YOLOv8-cls dışa aktarma biçimleri aşağıdaki tabloda yer almaktadır. kullanarak herhangi bir formata dışa aktarabilirsiniz. format argümanı, yani format='onnx' veya format='engine'. Doğrudan dışa aktarılan modeller üzerinde tahmin veya doğrulama yapabilirsiniz, örn. yolo predict model=yolov8n-cls.onnx. Dışa aktarma tamamlandıktan sonra modeliniz için kullanım örnekleri gösterilir.

Tamamı görün export detaylar İhracat Sayfa.

Yorumlar