Bỏ để qua phần nội dung

Phân loại hình ảnh

Ví dụ phân loại hình ảnh

Phân loại hình ảnh là nhiệm vụ đơn giản nhất trong ba nhiệm vụ và bao gồm việc phân loại toàn bộ hình ảnh vào một trong các lớp được xác định trước.

Đầu ra của bộ phân loại hình ảnh là một nhãn lớp duy nhất và điểm tin cậy. Phân loại hình ảnh rất hữu ích khi bạn chỉ cần biết hình ảnh thuộc lớp nào và không cần biết các đối tượng của lớp đó nằm ở đâu hoặc hình dạng chính xác của chúng là gì.



Xem: Khám phá Ultralytics YOLO Tác vụ: Phân loại hình ảnh bằng cách sử dụng Ultralytics Trung tâm

Mẹo

YOLO11 Phân loại các mô hình sử dụng -cls hậu tố, tức là yolo11n-cls.pt và được đào tạo trước về Mạng hình ảnh.

Mô hình

Các mô hình Classify được đào tạo trước của YOLO11 được hiển thị ở đây. Các mô hình Detect, Segment và Pose được đào tạo trước trên tập dữ liệu COCO , trong khi các mô hình Classify được đào tạo trước trên tập dữ liệu ImageNet .

Mô hình tải xuống tự động từ phiên bản mới nhất Ultralytics phát hành vào lần sử dụng đầu tiên.

Mẫukích thước
(điểm ảnh)		Acc
Top 1		Acc
Top 5		Tốc độ
CPU ONNX
(Cô)		Tốc độ
T4 TensorRT10
(bệnh đa xơ cứng)		Params
(M)		Thất bại
(B) ở 640
YOLO11n-cls22470.089.45,0 ± 0,31,1 ± 0,01.63.3
YOLO11s-cls22475.492.77,9 ± 0,21,3 ± 0,05.512.1
YOLO11m-cls22477.393.917,2 ± 0,42,0 ± 0,010.439.3
YOLO11l-cls22478.394.323,2 ± 0,32,8 ± 0,012.949.4
YOLO11x-cls22479.594.941,4 ± 0,93,8 ± 0,028.4110.4
  • Acc Giá trị là độ chính xác mô hình trên Mạng hình ảnh Bộ xác thực tập dữ liệu.
    Sinh sản bằng yolo val classify data=path/to/ImageNet device=0
  • Tốc độ tính trung bình trên hình ảnh val ImageNet bằng cách sử dụng một Amazon EC2 P4d ví dụ.
    Sinh sản bằng yolo val classify data=path/to/ImageNet batch=1 device=0|cpu

Xe lửa

Huấn luyện YOLO11n-cls trên tập dữ liệu MNIST160 trong 100 kỷ nguyên ở kích thước ảnh 64. Để biết danh sách đầy đủ các đối số khả dụng, hãy xem trang Cấu hình .

Ví dụ

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n-cls.yaml")  # build a new model from YAML
model = YOLO("yolo11n-cls.pt")  # load a pretrained model (recommended for training)
model = YOLO("yolo11n-cls.yaml").load("yolo11n-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=yolo11n-cls.yaml epochs=100 imgsz=64

# Start training from a pretrained *.pt model
yolo classify train data=mnist160 model=yolo11n-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=yolo11n-cls.yaml pretrained=yolo11n-cls.pt epochs=100 imgsz=64

Định dạng tập dữ liệu

YOLO định dạng tập dữ liệu phân loại có thể được tìm thấy chi tiết trong Hướng dẫn tập dữ liệu.

Val

Xác thực mô hình YOLO11n-cls đã được đào tạo sự chính xác trên tập dữ liệu MNIST160. Không cần đối số vì model duy trì đào tạo data và các đối số làm thuộc tính mô hình.

Ví dụ

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n-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=yolo11n-cls.pt  # val official model
yolo classify val model=path/to/best.pt  # val custom model

Dự đoán

Sử dụng mô hình YOLO11n-cls đã được đào tạo để chạy dự đoán trên hình ảnh.

Ví dụ

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n-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=yolo11n-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

Xem đầy đủ predict Chi tiết chế độ trong Dự đoán trang.

Xuất khẩu

Xuất mô hình YOLO11n-cls sang một định dạng khác như ONNX , CoreML , vân vân.

Ví dụ

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n-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=yolo11n-cls.pt format=onnx  # export official model
yolo export model=path/to/best.pt format=onnx  # export custom trained model

Các định dạng xuất YOLO11-cls có sẵn nằm trong bảng bên dưới. Bạn có thể xuất sang bất kỳ định dạng nào bằng cách sử dụng format lập luận, tức là format='onnx' hoặc format='engine'. Bạn có thể dự đoán hoặc xác thực trực tiếp trên các mô hình đã xuất, tức là yolo predict model=yolo11n-cls.onnx. Ví dụ sử dụng được hiển thị cho mô hình của bạn sau khi xuất hoàn tất.

Định dạngformat Lý lẽMẫuSiêu dữ liệuLập luận
PyTorch-yolo11n-cls.pt✅-
TorchScripttorchscriptyolo11n-cls.torchscript✅imgsz, optimize, batch
ONNXonnxyolo11n-cls.onnx✅imgsz, half, dynamic, simplify, opset, batch
OpenVINOopenvinoyolo11n-cls_openvino_model/✅imgsz, half, int8, batch
TensorRTengineyolo11n-cls.engine✅imgsz, half, dynamic, simplify, workspace, int8, batch
CoreMLcoremlyolo11n-cls.mlpackage✅imgsz, half, int8, nms, batch
TF SavedModelsaved_modelyolo11n-cls_saved_model/✅imgsz, keras, int8, batch
TF GraphDefpbyolo11n-cls.pb❌imgsz, batch
TF Litetfliteyolo11n-cls.tflite✅imgsz, half, int8, batch
TF Cạnh TPUedgetpuyolo11n-cls_edgetpu.tflite✅imgsz
TF.Jstfjsyolo11n-cls_web_model/✅imgsz, half, int8, batch
PaddlePaddlepaddleyolo11n-cls_paddle_model/✅imgsz, batch
MNNmnnyolo11n-cls.mnn✅imgsz, batch, int8, half
NCNNncnnyolo11n-cls_ncnn_model/✅imgsz, half, batch
IMX500imxyolo11n-cls_imx_model/✅imgsz, int8

Xem đầy đủ export Chi tiết trong Xuất khẩu trang.

FAQ

Mục đích của YOLO11 trong phân loại hình ảnh là gì?

Các mô hình YOLO11, chẳng hạn như yolo11n-cls.pt, được thiết kế để phân loại hình ảnh hiệu quả. Họ gán một nhãn lớp duy nhất cho toàn bộ hình ảnh cùng với điểm tin cậy. Điều này đặc biệt hữu ích cho các ứng dụng mà biết lớp hình ảnh cụ thể là đủ, thay vì xác định vị trí hoặc hình dạng của các đối tượng trong hình ảnh.

Làm thế nào để đào tạo mô hình YOLO11 để phân loại hình ảnh?

Để đào tạo mô hình YOLO11, bạn có thể sử dụng Python hoặc CLI lệnh. Ví dụ, để đào tạo một yolo11n-cls Mô hình trên tập dữ liệu MNIST160 cho 100 kỷ nguyên với kích thước hình ảnh là 64:

Ví dụ

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n-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=yolo11n-cls.pt epochs=100 imgsz=64

Để biết thêm tùy chọn cấu hình, hãy truy cập trang Cấu hình .

Tôi có thể tìm thấy các mô hình phân loại YOLO11 được đào tạo trước ở đâu?

Các mô hình phân loại YOLO11 được đào tạo trước có thể được tìm thấy trong Mô hình phần. Các mô hình như yolo11n-cls.pt, yolo11s-cls.pt, yolo11m-cls.pt, v.v., được đào tạo trước về Mạng hình ảnh tập dữ liệu và có thể dễ dàng tải xuống và sử dụng cho các tác vụ phân loại hình ảnh khác nhau.

Làm thế nào tôi có thể xuất mô hình YOLO11 đã đào tạo sang các định dạng khác nhau?

Bạn có thể xuất mô hình YOLO11 đã được đào tạo sang nhiều định dạng khác nhau bằng cách sử dụng Python hoặc CLI lệnh. Ví dụ, để xuất một mô hình sang ONNX định dạng:

Ví dụ

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n-cls.pt")  # load the trained model

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

yolo export model=yolo11n-cls.pt format=onnx  # export the trained model to ONNX format

Để biết các tùy chọn xuất chi tiết, hãy tham khảo trang Xuất .

Làm thế nào để xác thực mô hình phân loại YOLO11 đã được đào tạo?

Để xác thực độ chính xác của mô hình được đào tạo trên tập dữ liệu như MNIST160, bạn có thể sử dụng như sau Python hoặc CLI Lệnh:

Ví dụ

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n-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=yolo11n-cls.pt  # validate the trained model

Để biết thêm thông tin, hãy truy cập phần Xác thực .

📅 Được tạo ra cách đây 1 năm ✏️ Đã cập nhật cách đây 1 tháng
Bạch tuộc đầy tham vọng UltralyticsTrợ lý Glenn-Jocher MatthewNoyce RizwanMunawar Burhan-Q Fcakyon Cười-q

Ý kiến