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.

SSS

Görüntü sınıflandırmada YOLOv8 'un amacı nedir?

YOLOv8 gibi modeller yolov8n-cls.ptverimli görüntü sınıflandırması için tasarlanmıştır. Bir güven puanı ile birlikte tüm görüntüye tek bir sınıf etiketi atarlar. Bu, özellikle görüntü içindeki nesnelerin konumunu veya şeklini belirlemek yerine, bir görüntünün belirli sınıfını bilmenin yeterli olduğu uygulamalar için kullanışlıdır.

Görüntü sınıflandırması için bir YOLOv8 modelini nasıl eğitebilirim?

Bir YOLOv8 modelini eğitmek için Python veya CLI komutlarından birini kullanabilirsiniz. Örneğin, bir modeli eğitmek için yolov8n-cls modelini 64 görüntü boyutunda 100 epok için MNIST160 veri kümesi üzerinde test etmiştir:

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

Daha fazla yapılandırma seçeneği için Yapılandırma sayfasını ziyaret edin.

Önceden eğitilmiş YOLOv8 sınıflandırma modellerini nerede bulabilirim?

Önceden eğitilmiş YOLOv8 sınıflandırma modelleri şurada bulunabilir Modeller Bölüm. Gibi modeller yolov8n-cls.pt, yolov8s-cls.pt, yolov8m-cls.ptvb. üzerinde önceden eğitilmiştir. ImageNet veri kümesidir ve kolayca indirilebilir ve çeşitli görüntü sınıflandırma görevleri için kullanılabilir.

Eğitilmiş bir YOLOv8 modelini farklı formatlara nasıl aktarabilirim?

Eğitilmiş bir YOLOv8 modelini Python veya CLI komutlarını kullanarak çeşitli formatlara aktarabilirsiniz. Örneğin, bir modeli ONNX biçiminde dışa aktarmak için:

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

Ayrıntılı dışa aktarma seçenekleri için Dışa Aktar sayfasına bakın.

Eğitilmiş bir YOLOv8 sınıflandırma modelini nasıl doğrulayabilirim?

Eğitilmiş bir modelin doğruluğunu MNIST160 gibi bir veri kümesi üzerinde doğrulamak için aşağıdaki Python veya CLI komutlarını kullanabilirsiniz:

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

Daha fazla bilgi için Validate bölümünü ziyaret edin.

Yorumlar