图像分类

Q: What is the purpose of YOLO11 in image classification?

YOLO11 模型（如 yolo11n-cls.pt）是专为高效图像分类而设计的。它们为整幅图像分配一个单一的类别标签和置信度分数。这对于只需知道图像的具体类别，而无需识别图像中物体的位置或形状的应用特别有用。

Q: How do I train a YOLO11 model for image classification?

要训练 YOLO11 模型，可以使用Python 或CLI 命令。例如，在图像大小为 64 的 MNIST160 数据集上训练 yolo11n-cls 模型 100 次：有关更多配置选项，请访问配置页面。

Q: Where can I find pretrained YOLO11 classification models?

预训练的 YOLO11 分类模型可在 "模型 "部分找到。yolo11n-cls.pt、yolo11s-cls.pt、yolo11m-cls.pt 等模型是在 ImageNet 数据集上预训练的，可以轻松下载并用于各种图像分类任务。

Q: How can I export a trained YOLO11 model to different formats?

您可以使用Python 或CLI 命令将训练好的 YOLO11 模型导出为各种格式。例如，将模型导出为ONNX 格式：有关详细的导出选项，请参阅导出页面。

Q: How do I validate a trained YOLO11 classification model?

要在 MNIST160 等数据集上验证训练有素的模型的准确性，可以使用以下Python 或CLI 命令：更多信息，请访问验证部分。

图像分类示例

图像分类是三项任务中最简单的一项，涉及将整幅图像归入一组预定义类别中的某一类。

图像分类器的输出是单一类别标签和置信度分数。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，图像分类就非常有用。

观看： 探索Ultralytics YOLO 任务：使用Ultralytics HUB 进行图像分类

提示

YOLO11 分类模型使用 -cls 后缀，即 yolo11n-cls.pt 并对图像网.

机型

此处显示的是 YOLO11 预训练分类模型。Detect、Segment 和 Pose 模型是在COCO数据集上预训练的，而 Classify 模型是在ImageNet数据集上预训练的。

首次使用时，模型会自动从最新的Ultralytics 版本下载。

模型	尺寸 ^（像素）	acc ^top1	acc ^top5	速度 ^{CPU ONNX （毫秒）}	速度 T4^{TensorRT10 (ms)}	params ^(M)	FLOPs ^{(B) 在 640}
YOLO11n-cls	224	70.0	89.4	5.0 ± 0.3	1.1 ± 0.0	1.6	3.3
YOLO11s-cls	224	75.4	92.7	7.9 ± 0.2	1.3 ± 0.0	5.5	12.1
YOLO11m-cls	224	77.3	93.9	17.2 ± 0.4	2.0 ± 0.0	10.4	39.3
YOLO11l-cls	224	78.3	94.3	23.2 ± 0.3	2.8 ± 0.0	12.9	49.4
YOLO11x-cls	224	79.5	94.9	41.4 ± 0.9	3.8 ± 0.0	28.4	110.4

口音的模型精度。图像网数据集验证集。
复制方式 yolo val classify data=path/to/ImageNet device=0
速度对 ImageNet val 图像进行平均。亚马逊 EC2 P4d 实例
复制方式 yolo val classify data=path/to/ImageNet batch=1 device=0|cpu

火车

在图像大小为 64 的 MNIST160 数据集上对 YOLO11n-cls 进行 100次训练。有关可用参数的完整列表，请参阅配置页面。

示例

PythonCLI

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

数据集格式

YOLO 分类数据集格式详见数据集指南。

瓦尔

验证训练有素的 YOLO11n-cls 模型精确度对 MNIST160 数据集的分析。无需参数，因为 model 保留其培训 data 和参数作为模型属性。

示例

PythonCLI

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

预测

使用训练有素的 YOLO11n-cls 模型对图像进行预测。

示例

PythonCLI

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

查看全文 predict 模式的详细信息，请参见预测 page.

出口

将 YOLO11n-cls 模型导出为不同格式，如ONNX,CoreML 等。

示例

PythonCLI

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

可用的 YOLO11-cls 导出格式如下表所示。您可以使用 format 参数，即 format='onnx' 或 format='engine'.您可以直接对导出的模型进行预测或验证，即 yolo predict model=yolo11n-cls.onnx.导出完成后会显示模型的使用示例。

格式	`format` 论据	模型	元数据	论据
PyTorch	-	`yolo11n-cls.pt`	✅	-
TorchScript	`torchscript`	`yolo11n-cls.torchscript`	✅	`imgsz`, `optimize`, `batch`
ONNX	`onnx`	`yolo11n-cls.onnx`	✅	`imgsz`, `half`, `dynamic`, `simplify`, `opset`, `batch`
OpenVINO	`openvino`	`yolo11n-cls_openvino_model/`	✅	`imgsz`, `half`, `int8`, `batch`
TensorRT	`engine`	`yolo11n-cls.engine`	✅	`imgsz`, `half`, `dynamic`, `simplify`, `workspace`, `int8`, `batch`
CoreML	`coreml`	`yolo11n-cls.mlpackage`	✅	`imgsz`, `half`, `int8`, `nms`, `batch`
TF SavedModel	`saved_model`	`yolo11n-cls_saved_model/`	✅	`imgsz`, `keras`, `int8`, `batch`
TF GraphDef	`pb`	`yolo11n-cls.pb`	❌	`imgsz`, `batch`
TF 轻型	`tflite`	`yolo11n-cls.tflite`	✅	`imgsz`, `half`, `int8`, `batch`
TF 边缘TPU	`edgetpu`	`yolo11n-cls_edgetpu.tflite`	✅	`imgsz`
TF.js	`tfjs`	`yolo11n-cls_web_model/`	✅	`imgsz`, `half`, `int8`, `batch`
PaddlePaddle	`paddle`	`yolo11n-cls_paddle_model/`	✅	`imgsz`, `batch`
MNN	`mnn`	`yolo11n-cls.mnn`	✅	`imgsz`, `batch`, `int8`, `half`
NCNN	`ncnn`	`yolo11n-cls_ncnn_model/`	✅	`imgsz`, `half`, `batch`
IMX500	`imx`	`yolo11n-cls_imx_model/`	✅	`imgsz`, `int8`

查看全文 export 中的详细信息出口 page.

常见问题

YOLO11 在图像分类中的作用是什么？

YOLO11 型号，如 yolo11n-cls.pt是为高效图像分类而设计的。它们为整幅图像分配一个类别标签和置信度分数。这对于那些只需知道图像的具体类别，而无需识别图像中物体的位置或形状的应用特别有用。

如何训练用于图像分类的 YOLO11 模型？

要训练 YOLO11 模型，可以使用Python 或CLI 命令。例如，要训练一个 yolo11n-cls 模型在 MNIST160 数据集上进行了 100 次历时分析，图像大小为 64：

示例

PythonCLI

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

有关更多配置选项，请访问配置页面。

在哪里可以找到经过预训练的 YOLO11 分类模型？

预训练的 YOLO11 分类模型可在机型节。机型，如 yolo11n-cls.pt, yolo11s-cls.pt, yolo11m-cls.pt等进行预训练。图像网数据集，可轻松下载并用于各种图像分类任务。

如何将训练好的 YOLO11 模型导出为不同格式？

您可以使用Python 或CLI 命令将训练好的 YOLO11 模型导出为各种格式。例如，将模型导出为ONNX 格式：

示例

PythonCLI

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

有关详细的导出选项，请参阅导出页面。

如何验证训练有素的 YOLO11 分类模型？

要在 MNIST160 这样的数据集上验证训练有素的模型的准确性，可以使用以下Python 或CLI 命令：

示例

PythonCLI

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

更多信息，请访问验证部分。

📅创建于 1 年前 ✏️已更新 1 个月前

图像分类

机型

火车

数据集格式

瓦尔

预测

出口

常见问题

YOLO11 在图像分类中的作用是什么？

如何训练用于图像分类的 YOLO11 模型？

在哪里可以找到经过预训练的 YOLO11 分类模型？

如何将训练好的 YOLO11 模型导出为不同格式？

如何验证训练有素的 YOLO11 分类模型？

评论