跳转至

图像分类

图像分类示例

图像分类是三项任务中最简单的，它涉及将整个图像分类为一组预定义类别中的一个。

图像分类器的输出是单个类别标签和一个置信度分数。当您只需要知道一幅图像属于哪个类别、而不需要知道该类别对象的位置或它们的确切形状时，图像分类非常有用。

提示

YOLOv8分类模型使用-cls后缀，即yolov8n-cls.pt，并预先训练在ImageNet上。

模型

这里展示了预训练的YOLOv8分类模型。Detect、Segment和Pose模型是在COCO数据集上预训练的，而分类模型则是在ImageNet数据集上预训练的。

模型会在首次使用时自动从Ultralytics的最新发布版本中下载。

模型 尺寸
(像素)		 准确率
top1		 准确率
top5		 速度
CPU ONNX
(ms)		 速度
A100 TensorRT
(ms)		 参数
(M)		 FLOPs
(B) at 640
YOLOv8n-cls 224 66.6 87.0 12.9 0.31 2.7 4.3
YOLOv8s-cls 224 72.3 91.1 23.4 0.35 6.4 13.5
YOLOv8m-cls 224 76.4 93.2 85.4 0.62 17.0 42.7
YOLOv8l-cls 224 78.0 94.1 163.0 0.87 37.5 99.7
YOLOv8x-cls 224 78.4 94.3 232.0 1.01 57.4 154.8
  • 准确率 是模型在ImageNet数据集验证集上的准确度。
    通过yolo val classify data=path/to/ImageNet device=0复现结果。
  • 速度 是在使用Amazon EC2 P4d实例时，ImageNet验证图像的平均处理速度。
    通过yolo val classify data=path/to/ImageNet batch=1 device=0|cpu复现结果。

训练

在MNIST160数据集上训练YOLOv8n-cls模型100个时期，图像尺寸为64。有关可用参数的完整列表，请参见配置页面。

示例

from ultralytics import YOLO

# 加载模型
model = YOLO('yolov8n-cls.yaml')  # 从YAML构建新模型
model = YOLO('yolov8n-cls.pt')  # 加载预训练模型（推荐用于训练）
model = YOLO('yolov8n-cls.yaml').load('yolov8n-cls.pt')  # 从YAML构建并转移权重

# 训练模型
results = model.train(data='mnist160', epochs=100, imgsz=64)

# 从YAML构建新模型并从头开始训练
yolo classify train data=mnist160 model=yolov8n-cls.yaml epochs=100 imgsz=64

# 从预训练的*.pt模型开始训练
yolo classify train data=mnist160 model=yolov8n-cls.pt epochs=100 imgsz=64

# 从YAML构建新模型，转移预训练权重并开始训练
yolo classify train data=mnist160 model=yolov8n-cls.yaml pretrained=yolov8n-cls.pt epochs=100 imgsz=64

数据集格式

YOLO分类数据集的格式详情请参见数据集指南。

验证

在MNIST160数据集上验证训练好的YOLOv8n-cls模型准确性。不需要传递任何参数，因为model保留了它的训练data和参数作为模型属性。

示例

from ultralytics import YOLO

# 加载模型
model = YOLO('yolov8n-cls.pt')  # 加载官方模型
model = YOLO('path/to/best.pt')  # 加载自定义模型

# 验证模型
metrics = model.val()  # 无需参数，数据集和设置已记忆
metrics.top1   # top1准确率
metrics.top5   # top5准确率

yolo classify val model=yolov8n-cls.pt  # 验证官方模型
yolo classify val model=path/to/best.pt  # 验证自定义模型

预测

使用训练过的YOLOv8n-cls模型对图像进行预测。

示例

from ultralytics import YOLO

# 加载模型
model = YOLO('yolov8n-cls.pt')  # 加载官方模型
model = YOLO('path/to/best.pt')  # 加载自定义模型

# 使用模型进行预测
results = model('https://ultralytics.com/images/bus.jpg')  # 对图像进行预测

yolo classify predict model=yolov8n-cls.pt source='https://ultralytics.com/images/bus.jpg'  # 使用官方模型进行预测
yolo classify predict model=path/to/best.pt source='https://ultralytics.com/images/bus.jpg'  # 使用自定义模型进行预测

有关predict模式的完整详细信息，请参见预测页面。

导出

将YOLOv8n-cls模型导出为其他格式，如ONNX、CoreML等。

示例

from ultralytics import YOLO

# 加载模型
model = YOLO('yolov8n-cls.pt')  # 加载官方模型
model = YOLO('path/to/best.pt')  # 加载自定义训练模型

# 导出模型
model.export(format='onnx')

yolo export model=yolov8n-cls.pt format=onnx  # 导出官方模型
yolo export model=path/to/best.pt format=onnx  # 导出自定义训练模型

下表中提供了YOLOv8-cls模型可导出的格式。您可以直接在导出的模型上进行预测或验证，即yolo predict model=yolov8n-cls.onnx。导出完成后，示例用法会显示您的模型。

格式 format 参数 模型 元数据 参数
PyTorch - yolov8n-cls.pt ✅ -
TorchScript torchscript yolov8n-cls.torchscript ✅ imgsz, optimize
ONNX onnx yolov8n-cls.onnx ✅ imgsz, half, dynamic, simplify, opset
OpenVINO openvino yolov8n-cls_openvino_model/ ✅ imgsz, half
TensorRT engine yolov8n-cls.engine ✅ imgsz, half, dynamic, simplify, workspace
CoreML coreml yolov8n-cls.mlpackage ✅ imgsz, half, int8, nms
TF SavedModel saved_model yolov8n-cls_saved_model/ ✅ imgsz, keras
TF GraphDef pb yolov8n-cls.pb ❌ imgsz
TF Lite tflite yolov8n-cls.tflite ✅ imgsz, half, int8
TF Edge TPU edgetpu yolov8n-cls_edgetpu.tflite ✅ imgsz
TF.js tfjs yolov8n-cls_web_model/ ✅ imgsz
PaddlePaddle paddle yolov8n-cls_paddle_model/ ✅ imgsz
ncnn ncnn yolov8n-cls_ncnn_model/ ✅ imgsz, half

有关export的完整详细信息，请参见导出页面。


Created 2023-11-12, Updated 2023-11-18
Authors: glenn-jocher (2)

评论