ultralytics/docs/zh/tasks/classify.md

comments	description	keywords
true	学习YOLOv8分类模型进行图像分类。获取关于预训练模型列表及如何训练、验证、预测、导出模型的详细信息。	Ultralytics, YOLOv8, 图像分类, 预训练模型, YOLOv8n-cls, 训练, 验证, 预测, 模型导出

图像分类

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。

!!! Tip "提示"

YOLOv8分类模型使用`-cls`后缀，即`yolov8n-cls.pt`，并预先训练在[ImageNet](https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/ImageNet.yaml)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。

!!! Example "示例"

=== "Python"

    ```python
    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)
    ```

=== "CLI"

    ```bash
    # 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。

!!! Example "示例"

=== "Python"

    ```python
    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
    ```
=== "CLI"

    ```bash
    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。

!!! Example "示例"

=== "Python"

    ```python
    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
    ```
=== "CLI"

    ```bash
    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。

!!! Example "示例"

=== "Python"

    ```python
    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')
    ```
=== "CLI"

    ```bash
    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。