ultralytics/docs/fr/tasks/classify.md

comments	description	keywords
true	Apprenez-en davantage sur les modèles de classification d'images YOLOv8 Classify. Obtenez des informations détaillées sur la liste des modèles pré-entraînés et comment entraîner, valider, prédire et exporter des modèles.	Ultralytics, YOLOv8, Classification d'images, Modèles pré-entraînés, YOLOv8n-cls, Entraînement, Validation, Prédiction, Exportation de modèles

Classification d'images

La classification d'images est la tâche la plus simple des trois et consiste à classer une image entière dans l'une d'un ensemble de classes prédéfinies.

Le résultat d'un classificateur d'images est une étiquette de classe unique et un score de confiance. La classification d'images est utile lorsque vous avez besoin de savoir seulement à quelle classe appartient une image et que vous n'avez pas besoin de connaître l'emplacement des objets de cette classe ou leur forme exacte.

!!! tip "Astuce"

Les modèles YOLOv8 Classify utilisent le suffixe `-cls`, par exemple `yolov8n-cls.pt` et sont pré-entraînés sur [ImageNet](https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/ImageNet.yaml).

Modèles

Les modèles Classify pré-entraînés YOLOv8 sont présentés ici. Les modèles Detect, Segment et Pose sont pré-entraînés sur le dataset COCO, tandis que les modèles Classify sont pré-entraînés sur le dataset ImageNet.

Les modèles se téléchargent automatiquement depuis la dernière version Ultralytics release lors de la première utilisation.

Modèle	taille (pixels)	acc top1	acc top5	Vitesse CPU ONNX (ms)	Vitesse A100 TensorRT (ms)	params (M)	FLOPs (B) à 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

• Les valeurs acc sont les précisions des modèles sur le jeu de données de validation d'ImageNet.
  Pour reproduire : yolo val classify data=path/to/ImageNet device=0
• Les vitesses sont calculées sur les images de validation d'ImageNet à l'aide d'une instance Amazon EC2 P4d.
  Pour reproduire : yolo val classify data=path/to/ImageNet batch=1 device=0|cpu

Entraînement

Entraînez le modèle YOLOv8n-cls sur le dataset MNIST160 pendant 100 époques avec une taille d'image de 64. Pour une liste complète des arguments disponibles, consultez la page Configuration.

!!! example ""

=== "Python"

    ```python
    from ultralytics import YOLO

    # Charger un modèle
    model = YOLO('yolov8n-cls.yaml')  # construire un nouveau modèle à partir du YAML
    model = YOLO('yolov8n-cls.pt')  # charger un modèle pré-entraîné (recommandé pour l'entraînement)
    model = YOLO('yolov8n-cls.yaml').load('yolov8n-cls.pt')  # construire à partir du YAML et transférer les poids

    # Entraîner le modèle
    results = model.train(data='mnist160', epochs=100, imgsz=64)
    ```

=== "CLI"

    ```bash
    # Construire un nouveau modèle à partir du YAML et commencer l'entraînement à partir de zéro
    yolo classify train data=mnist160 model=yolov8n-cls.yaml epochs=100 imgsz=64

    # Commencer l'entraînement à partir d'un modèle *.pt pré-entraîné
    yolo classify train data=mnist160 model=yolov8n-cls.pt epochs=100 imgsz=64

    # Construire un nouveau modèle à partir du YAML, transférer les poids pré-entraînés et commencer l'entraînement
    yolo classify train data=mnist160 model=yolov8n-cls.yaml pretrained=yolov8n-cls.pt epochs=100 imgsz=64
    ```

Format du dataset

Le format du dataset de classification YOLO peut être trouvé en détails dans le Guide des Datasets.

Validation

Validez la précision du modèle YOLOv8n-cls entraîné sur le dataset MNIST160. Aucun argument n'est nécessaire car le modèle conserve ses données d'entraînement et arguments en tant qu'attributs du modèle.

!!! example ""

=== "Python"

    ```python
    from ultralytics import YOLO

    # Charger un modèle
    model = YOLO('yolov8n-cls.pt')  # charger un modèle officiel
    model = YOLO('path/to/best.pt')  # charger un modèle personnalisé

    # Valider le modèle
    metrics = model.val()  # aucun argument nécessaire, les données et les paramètres sont mémorisés
    metrics.top1   # précision top 1
    metrics.top5   # précision top 5
    ```
=== "CLI"

    ```bash
    yolo classify val model=yolov8n-cls.pt  # valider le modèle officiel
    yolo classify val model=path/to/best.pt  # valider le modèle personnalisé
    ```

Prédiction

Utilisez un modèle YOLOv8n-cls entraîné pour exécuter des prédictions sur des images.

!!! example ""

=== "Python"

    ```python
    from ultralytics import YOLO

    # Charger un modèle
    model = YOLO('yolov8n-cls.pt')  # charger un modèle officiel
    model = YOLO('path/to/best.pt')  # charger un modèle personnalisé

    # Prédire avec le modèle
    results = model('https://ultralytics.com/images/bus.jpg')  # prédire sur une image
    ```
=== "CLI"

    ```bash
    yolo classify predict model=yolov8n-cls.pt source='https://ultralytics.com/images/bus.jpg'  # prédiction avec le modèle officiel
    yolo classify predict model=path/to/best.pt source='https://ultralytics.com/images/bus.jpg'  # prédiction avec le modèle personnalisé
    ```

Voir les détails complets du mode predict sur la page Prédire.

Exportation

Exportez un modèle YOLOv8n-cls dans un format différent comme ONNX, CoreML, etc.

!!! example ""

=== "Python"

    ```python
    from ultralytics import YOLO

    # Charger un modèle
    model = YOLO('yolov8n-cls.pt')  # charger un modèle officiel
    model = YOLO('path/to/best.pt')  # charger un modèle entraîné personnalisé

    # Exporter le modèle
    model.export(format='onnx')
    ```
=== "CLI"

    ```bash
    yolo export model=yolov8n-cls.pt format=onnx  # exporter le modèle officiel
    yolo export model=path/to/best.pt format=onnx  # exporter le modèle entraîné personnalisé
    ```

Les formats d'exportation disponibles pour YOLOv8-cls sont présentés dans le tableau ci-dessous. Vous pouvez prédire ou valider directement sur les modèles exportés, par exemple yolo predict model=yolov8n-cls.onnx. Des exemples d'utilisation sont présentés pour votre modèle une fois l'exportation terminée.

Format	Argument format	Modèle	Métadonnées	Arguments
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

Voir les détails complets de l'exportation sur la page Export.