在 GitHub 上编辑页面 (EN)

图像分类

YOLO image classification of objects and scenes

图像分类是这三项任务中最简单的，它涉及将整个图像归类为一组预定义类别中的一个。

图像分类器的输出是一个单一的类标签和一个置信度分数。当你只需要知道图像属于哪一类，而不需要知道该类对象的位置或确切形状时，图像分类就很有用。



Watch: Explore Ultralytics YOLO Tasks: Image Classification using Ultralytics Platform
提示

YOLO26 Classify 模型使用 -cls 后缀，例如 yolo26n-cls.pt，并已在 ImageNet 上进行预训练。

模型

此处展示了 YOLO26 预训练的 Classify 模型。Detect、Segment 和 Pose 模型在 COCO 数据集上进行预训练，而 Classify 模型则在 ImageNet 数据集上进行预训练。

模型在首次使用时会自动从最新的 Ultralytics 发布版本中下载。

模型尺寸
(像素)		准确率
top1		准确率
top5		速度
CPU ONNX
(ms)		速度
T4 TensorRT10
(ms)		参数
(M)		FLOPs
(B) 在 224
YOLO26n-cls22471.490.15.0 ± 0.31.1 ± 0.02.80.5
YOLO26s-cls22476.092.97.9 ± 0.21.3 ± 0.06.71.6
YOLO26m-cls22478.194.217.2 ± 0.42.0 ± 0.011.64.9
YOLO26l-cls22479.094.623.2 ± 0.32.8 ± 0.014.16.2
YOLO26x-cls22479.995.041.4 ± 0.93.8 ± 0.029.613.6
  • acc 值是模型在 ImageNet 数据集验证集上的准确率。
    可通过 yolo val classify data=path/to/ImageNet device=0 进行复现
  • 速度是在 Amazon EC2 P4d 实例上使用 ImageNet 验证集图像计算的平均值。
    可通过 yolo val classify data=path/to/ImageNet batch=1 device=0|cpu 进行复现
  • Params（参数量）和 FLOPs（浮点运算次数）值是 model.fuse() 之后融合模型的数值，它合并了 Conv 和 BatchNorm 层。预训练的检查点保留了完整的训练架构，因此显示的数值可能更高。

训练

在 MNIST160 数据集上训练 YOLO26n-cls，设置 100 个 epoch，图像大小为 64。如需可用参数的完整列表，请参阅配置页面。

示例
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)
提示

Ultralytics YOLO 分类在训练时使用 torchvision.transforms.RandomResizedCrop，在验证和推理时使用 torchvision.transforms.CenterCrop。 这些基于裁剪的变换假设输入是正方形的，可能会无意中裁剪掉极高宽比图像中的重要区域，从而可能在训练过程中导致关键视觉信息的丢失。 若要在保持比例的同时保留完整图像，请考虑使用 torchvision.transforms.Resize 代替裁剪变换。

你可以通过自定义 ClassificationDataset 和 ClassificationTrainer 来定制增强流水线，从而实现这一点。

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)

数据集格式

YOLO 分类数据集格式的详细信息可以在数据集指南中找到。分类数据集也可以在 Ultralytics Platform 上进行管理和标注。

验证

在 MNIST160 数据集上验证训练好的 YOLO26n-cls 模型准确率。不需要额外的参数，因为 model 会保留其训练时的 data 和参数作为模型属性。

示例
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
提示

As mentioned in the training section, you can handle extreme aspect ratios during training by using a custom ClassificationTrainer. You need to apply the same approach for consistent validation results by implementing a custom ClassificationValidator when calling the val() method. Refer to the complete code example in the training section for implementation details.

预测

使用训练好的 YOLO26n-cls 模型对图像进行预测。

示例
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

See full predict mode details in the Predict page.

导出

将 YOLO26n-cls 模型导出为 ONNX、CoreML 等其他格式。

示例
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")

可用的 YOLO26-cls 导出格式如下表所示。你可以使用 format 参数导出为任何格式，例如 format='onnx' 或 format='engine'。你可以直接在导出的模型上进行预测或验证，例如 yolo predict model=yolo26n-cls.onnx。导出完成后，将显示模型的使用示例。

格式format 参数模型元数据参数
PyTorch-yolo26n-cls.pt✅-
TorchScripttorchscriptyolo26n-cls.torchscript✅imgsz, half, dynamic, optimize, nms, batch, device
ONNXonnxyolo26n-cls.onnx✅imgsz, half, dynamic, simplify, opset, nms, batch, device
OpenVINOopenvinoyolo26n-cls_openvino_model/✅imgsz, half, dynamic, int8, nms, batch, data, fraction, device
TensorRTengineyolo26n-cls.engine✅imgsz, half, dynamic, simplify, workspace, int8, nms, batch, data, fraction, device
CoreMLcoremlyolo26n-cls.mlpackage✅imgsz, dynamic, half, int8, nms, batch, device
TF SavedModelsaved_modelyolo26n-cls_saved_model/✅imgsz, keras, int8, nms, batch, data, fraction, device
TF GraphDefpbyolo26n-cls.pb❌imgsz, batch, device
TF Litetfliteyolo26n-cls.tflite✅imgsz, half, int8, nms, batch, data, fraction, device
TF Edge TPUedgetpuyolo26n-cls_edgetpu.tflite✅imgsz, int8, data, fraction, device
TF.jstfjsyolo26n-cls_web_model/✅imgsz, half, int8, nms, batch, data, fraction, device
PaddlePaddlepaddleyolo26n-cls_paddle_model/✅imgsz, batch, device
MNNmnnyolo26n-cls.mnn✅imgsz, batch, int8, half, device
NCNNncnnyolo26n-cls_ncnn_model/✅imgsz, half, batch, device
IMX500imxyolo26n-cls_imx_model/✅imgsz, int8, data, fraction, nms, device
RKNNrknnyolo26n-cls_rknn_model/✅imgsz, batch, name, device
ExecuTorchexecutorchyolo26n-cls_executorch_model/✅imgsz, batch, device
Axeleraaxelerayolo26n-cls_axelera_model/✅imgsz, batch, int8, data, fraction, device
DeepXdeepxyolo26n-cls_deepx_model/✅imgsz, int8, data, optimize, device

See full export details in the Export page.

常见问题 (FAQ)

YOLO26 在图像分类中的用途是什么？

YOLO26 模型（如 yolo26n-cls.pt）专为高效的图像分类而设计。它们将单一的类标签和一个置信度分数分配给整个图像。这对于那些只需要知道图像所属具体类别的应用场景特别有用，而不需要识别图像中对象的位置或形状。

我该如何训练 YOLO26 模型进行图像分类？

你可以使用 Python 或 CLI 命令来训练 YOLO26 模型。例如，在 MNIST160 数据集上训练 yolo26n-cls 模型，设置 100 个 epoch，图像大小为 64：

示例
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)

如需更多配置选项，请访问配置页面。

我在哪里可以找到预训练的 YOLO26 分类模型？

可以在模型部分找到预训练的 YOLO26 分类模型。像 yolo26n-cls.pt、yolo26s-cls.pt、yolo26m-cls.pt 等模型都在 ImageNet 数据集上进行了预训练，可以轻松下载并用于各种图像分类任务。

我该如何将训练好的 YOLO26 模型导出为不同格式？

你可以使用 Python 或 CLI 命令将训练好的 YOLO26 模型导出为各种格式。例如，导出模型到 ONNX 格式：

示例
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")

有关详细的导出选项，请参阅导出页面。

我该如何验证训练好的 YOLO26 分类模型？

若要验证训练好的模型在 MNIST160 等数据集上的准确率，可以使用以下 Python 或 CLI 命令：

示例
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

如需更多信息，请访问验证部分。

Contributors
在 GitHub 上编辑页面 (EN)
GLglenn-jocher25BUBurhan-Q4LALaughing-q3AMambitious-octopus3RIRizwanMunawar3RAraimbekovm2PDpderrenger2PIpicsalex2MAMatthewNoyce1FCfcakyon1

评论