11 KiB

Raw Blame History

comments	description	keywords
true	YOLOv8 분류 모델에 대한 이미지 분류 정보를 알아보세요. 사전 훈련된 모델 목록과 모델 학습, 검증, 예측, 내보내기 방법에 대한 자세한 정보를 확인하실 수 있습니다.	Ultralytics, YOLOv8, 이미지 분류, 사전 훈련된 모델, YOLOv8n-cls, 학습, 검증, 예측, 모델 내보내기

이미지 분류

이미지 분류는 가장 단순한 세 가지 작업 중 하나로, 전체 이미지를 미리 정의된 클래스 집합 중 하나로 분류하는 작업입니다.

이미지 분류기의 출력은 단일 클래스 라벨과 신뢰도 점수입니다. 이미지 분류는 클래스의 이미지만 알고 싶고 해당 클래스의 객체가 어디에 위치하고 있는지 또는 그 정확한 형태가 무엇인지 알 필요가 없을 때 유용합니다.

!!! 팁 "팁"

YOLOv8 분류 모델은 `-cls` 접미사를 사용합니다. 예: `yolov8n-cls.pt`이며, [ImageNet](https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/ImageNet.yaml)에서 사전 훈련되었습니다.

모델

여기에는 사전 훈련된 YOLOv8 분류 모델이 표시됩니다. Detect, Segment 및 Pose 모델은 COCO 데이터셋에서 사전 훈련되고, 분류 모델은 ImageNet 데이터셋에서 사전 훈련됩니다.

모델은 첫 사용 시 최신 Ultralytics 릴리스에서 자동으로 다운로드됩니다.

모델	크기 ^(픽셀)	정확도 ^top1	정확도 ^top5	속도 ^{CPU ONNX (ms)}	속도 ^{A100 TensorRT (ms)}	매개변수 ^(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

정확도 값은 ImageNet 데이터셋 검증 세트에서의 모델 정확도입니다.
ImageNet에서 재현 가능합니다: yolo val classify data=path/to/ImageNet device=0
속도는 Amazon EC2 P4d 인스턴스를 사용해 ImageNet 검증 이미지들의 평균 속도입니다.
ImageNet에서 재현 가능합니다: yolo val classify data=path/to/ImageNet batch=1 device=0|cpu

학습

YOLOv8n-cls 모델을 MNIST160 데이터셋에서 100 에포크 동안 학습시키고 이미지 크기는 64로 설정합니다. 가능한 모든 인자는 설정 페이지에서 확인할 수 있습니다.

!!! 예제 ""

=== "Python"

    ```python
    from ultralytics import YOLO

    # 모델 불러오기
    model = YOLO('yolov8n-cls.yaml')  # YAML에서 새 모델 구축
    model = YOLO('yolov8n-cls.pt')  # 사전 훈련된 모델 불러오기 (학습용 추천)
    model = YOLO('yolov8n-cls.yaml').load('yolov8n-cls.pt')  # YAML로 구축하고 가중치 전송

    # 모델 학습
    result = model.train(data='mnist160', epochs=100, imgsz=64)
    ```

=== "CLI"

    ```bash
    # YAML에서 새 모델을 구축하고 처음부터 학습 시작
    yolo classify train data=mnist160 model=yolov8n-cls.yaml epochs=100 imgsz=64

    # 사전 훈련된 *.pt 모델에서 학습 시작
    yolo classify train data=mnist160 model=yolov8n-cls.pt epochs=100 imgsz=64

    # YAML에서 새 모델을 구축하고 사전 훈련된 가중치를 전송한 뒤 학습 시작
    yolo classify train data=mnist160 model=yolov8n-cls.yaml pretrained=yolov8n-cls.pt epochs=100 imgsz=64
    ```

데이터셋 형식

YOLO 분류 데이터셋 형식은 데이터셋 가이드에서 자세히 확인할 수 있습니다.

검증

학습된 YOLOv8n-cls 모델의 정확도를 MNIST160 데이터셋에서 검증합니다. model은 모델 속성으로 훈련 시 data 및 인자를 유지하므로 추가 인자를 전달할 필요가 없습니다.

!!! 예제 ""

=== "Python"

    ```python
    from ultralytics import YOLO

    # 모델 불러오기
    model = YOLO('yolov8n-cls.pt')  # 공식 모델 불러오기
    model = YOLO('path/to/best.pt')  # 사용자 모델 불러오기

    # 모델 검증
    metrics = model.val()  # 추가 인자 불필요, 데이터셋 및 설정 기억함
    metrics.top1   # top1 정확도
    metrics.top5   # top5 정확도
    ```
=== "CLI"

    ```bash
    yolo classify val model=yolov8n-cls.pt  # 공식 모델 검증
    yolo classify val model=path/to/best.pt  # 사용자 모델 검증
    ```

예측

학습된 YOLOv8n-cls 모델을 사용하여 이미지에 대한 예측을 실행합니다.

!!! 예제 ""

=== "Python"

    ```python
    from ultralytics import YOLO

    # 모델 불러오기
    model = YOLO('yolov8n-cls.pt')  # 공식 모델 불러오기
    model = YOLO('path/to/best.pt')  # 사용자 모델 불러오기

    # 예측 실행
    results = model('https://ultralytics.com/images/bus.jpg')  # 이미지에 대한 예측 실행
    ```
=== "CLI"

    ```bash
    yolo classify predict model=yolov8n-cls.pt source='https://ultralytics.com/images/bus.jpg'  # 공식 모델로 예측 실행
    yolo classify predict model=path/to/best.pt source='https://ultralytics.com/images/bus.jpg'  # 사용자 모델로 예측 실행
    ```

자세한 predict 모드 정보는 예측 페이지에서 확인하세요.

내보내기

YOLOv8n-cls 모델을 ONNX, CoreML 등과 같은 다른 형식으로 내보냅니다.

!!! 예제 ""

=== "Python"

    ```python
    from ultralytics import YOLO

    # 모델 불러오기
    model = YOLO('yolov8n-cls.pt')  # 공식 모델 불러오기
    model = YOLO('path/to/best.pt')  # 사용자 훈련 모델 불러오기

    # 모델 내보내기
    model.export(format='onnx')
    ```
=== "CLI"

    ```bash
    yolo export model=yolov8n-cls.pt format=onnx  # 공식 모델 내보내기
    yolo export model=path/to/best.pt format=onnx  # 사용자 훈련 모델 내보내기
    ```

아래 표에 사용 가능한 YOLOv8-cls 내보내기 형식이 나와 있습니다. 내보낸 모델에서 바로 예측하거나 검증할 수 있습니다. 즉, yolo predict model=yolov8n-cls.onnx를 사용할 수 있습니다. 내보내기가 완료된 후 모델에 대한 사용 예제들이 표시됩니다.

형식	`format` 인자	모델	메타데이터	인자
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`

자세한 export 정보는 내보내기 페이지에서 확인하세요.

11 KiB Raw Blame History

이미지 분류

모델

학습

데이터셋 형식

검증

예측

내보내기

11 KiB

Raw Blame History