图像分类
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
YOLO11 这里显示的是经过预训练的分类模型。Detect、Segment 和 Pose 模型是在COCO数据集上预先训练的，而 Classify 模型则是在ImageNet数据集上预先训练的。
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 T4TensorRT10 (ms) |
params (M) |
FLOPs (B) at 224 |
|---|---|---|---|---|---|---|---|
| YOLO11n-cls | 224 | 70.0 | 89.4 | 5.0 ± 0.3 | 1.1 ± 0.0 | 1.6 | 0.5 |
| YOLO11s-cls | 224 | 75.4 | 92.7 | 7.9 ± 0.2 | 1.3 ± 0.0 | 5.5 | 1.6 |
| YOLO11m-cls | 224 | 77.3 | 93.9 | 17.2 ± 0.4 | 2.0 ± 0.0 | 10.4 | 5.0 |
| YOLO11l-cls | 224 | 78.3 | 94.3 | 23.2 ± 0.3 | 2.8 ± 0.0 | 12.9 | 6.2 |
| YOLO11x-cls | 224 | 79.5 | 94.9 | 41.4 ± 0.9 | 3.8 ± 0.0 | 28.4 | 13.7 |
- 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
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
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
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
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
YOLO11-cls 可用的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, half, optimize, nms, batch, device |
| ONNX | onnx |
yolo11n-cls.onnx |
✅ | imgsz, half, dynamic, simplify, opset, nms, batch, device |
| OpenVINO | openvino |
yolo11n-cls_openvino_model/ |
✅ | imgsz, half, dynamic, int8, nms, batch, data, fraction, device |
| TensorRT | engine |
yolo11n-cls.engine |
✅ | imgsz, half, dynamic, simplify, workspace, int8, nms, batch, data, fraction, device |
| CoreML | coreml |
yolo11n-cls.mlpackage |
✅ | imgsz, half, int8, nms, batch, device |
| TF SavedModel | saved_model |
yolo11n-cls_saved_model/ |
✅ | imgsz, keras, int8, nms, batch, device |
| TF GraphDef | pb |
yolo11n-cls.pb |
❌ | imgsz, batch, device |
| TF 轻型 | tflite |
yolo11n-cls.tflite |
✅ | imgsz, half, int8, nms, batch, data, fraction, device |
| TF 边缘TPU | edgetpu |
yolo11n-cls_edgetpu.tflite |
✅ | imgsz, device |
| TF.js | tfjs |
yolo11n-cls_web_model/ |
✅ | imgsz, half, int8, nms, batch, device |
| PaddlePaddle | paddle |
yolo11n-cls_paddle_model/ |
✅ | imgsz, batch, device |
| MNN | mnn |
yolo11n-cls.mnn |
✅ | imgsz, batch, int8, half, device |
| NCNN | ncnn |
yolo11n-cls_ncnn_model/ |
✅ | imgsz, half, batch, device |
| IMX500 | imx |
yolo11n-cls_imx_model/ |
✅ | imgsz, int8, data, fraction, device |
| RKNN | rknn |
yolo11n-cls_rknn_model/ |
✅ | imgsz, batch, name, device |
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 模型，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
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
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
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。
