ultralytics/docs/ru/tasks/classify.md

comments	description	keywords
true	Узнайте о моделях классификации изображений YOLOv8 Classify. Получите подробную информацию о списке предварительно обученных моделей и как провести Обучение, Валидацию, Предсказание и Экспорт моделей.	Ultralytics, YOLOv8, классификация изображений, предварительно обученные модели, YOLOv8n-cls, обучение, валидация, предсказание, экспорт модели

Классификация изображений

Классификация изображений - это самая простая из трех задач и заключается в классификации всего изображения по одному из предварительно определенных классов.

Выход классификатора изображений - это один классовый ярлык и уровень доверия. Классификация изображений полезна, когда вам нужно знать только к какому классу относится изображение, и не нужно знать, где находятся объекты данного класса или какова их точная форма.

!!! Tip "Совет"

Модели YOLOv8 Classify используют суффикс `-cls`, например `yolov8n-cls.pt`, и предварительно обучены на [ImageNet](https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/ImageNet.yaml).

Модели

Здесь показаны предварительно обученные модели классификации YOLOv8. Модели для обнаружения, сегментации и позы обучаются на наборе данных COCO, в то время как модели классификации обучаются на наборе данных ImageNet.

Модели автоматически загружаются из последнего релиза Ultralytics release при первом использовании.

Модель	Размер (пиксели)	Точность top1	Точность top5	Скорость CPU ONNX (мс)	Скорость A100 TensorRT (мс)	Параметры (М)	FLOPs (Б) на 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

• Значения точность указывают на точность модели на валидационном наборе данных ImageNet.
  Повторить результаты можно с помощью yolo val classify data=path/to/ImageNet device=0.
• Скорость усреднена по изображениям для валидации ImageNet, используя инстанс Amazon EC2 P4d.
  Повторить результаты можно с помощью yolo val classify data=path/to/ImageNet batch=1 device=0|cpu.

Обучение

Обучите модель YOLOv8n-cls на наборе данных MNIST160 на протяжении 100 эпох с размером изображения 64. Полный список доступных аргументов приведен на странице Конфигурация.

!!! Example "Пример"

=== "Python"

    ```python
    from ultralytics import YOLO

    # Загрузите модель
    model = YOLO('yolov8n-cls.yaml')  # создайте новую модель из YAML
    model = YOLO('yolov8n-cls.pt')    # загрузите предварительно обученную модель (рекомендуется для обучения)
    model = YOLO('yolov8n-cls.yaml').load('yolov8n-cls.pt')  # создайте из YAML и перенесите веса

    # Обучите модель
    результаты = model.train(data='mnist160', epochs=100, imgsz=64)
    ```

=== "CLI"

    ```bash
    # Создайте новую модель из YAML и начните обучение с нуля
    yolo classify train data=mnist160 model=yolov8n-cls.yaml epochs=100 imgsz=64

    # Начните обучение с предварительно обученной *.pt модели
    yolo classify train data=mnist160 model=yolov8n-cls.pt epochs=100 imgsz=64

    # Создайте новую модель из YAML, перенесите предварительно обученные веса и начните обучение
    yolo classify train data=mnist160 model=yolov8n-cls.yaml pretrained=yolov8n-cls.pt epochs=100 imgsz=64
    ```

Формат набора данных

Формат набора данных для классификации YOLO можно подробно изучить в Руководстве по наборам данных.

Валидация

Проверьте точность обученной модели YOLOv8n-cls на наборе данных MNIST160. Не нужно передавать какие-либо аргументы, так как model сохраняет свои data и аргументы в качестве атрибутов модели.

!!! Example "Пример"

=== "Python"

    ```python
    from ultralytics import YOLO

    # Загрузите модель
    model = YOLO('yolov8n-cls.pt')  # загрузите официальную модель
    model = YOLO('path/to/best.pt')  # загрузите собственную модель

    # Проведите валидацию модели
    метрики = model.val()  # аргументы не нужны, набор данных и настройки запомнены
    метрики.top1           # точность top1
    метрики.top5           # точность top5
    ```
=== "CLI"

    ```bash
    yolo classify val model=yolov8n-cls.pt  # валидация официальной модели
    yolo classify val model=path/to/best.pt  # валидация собственной модели
    ```

Предсказание

Используйте обученную модель YOLOv8n-cls для выполнения предсказаний на изображениях.

!!! Example "Пример"

=== "Python"

    ```python
    from ultralytics import YOLO

    # Загрузите модель
    model = YOLO('yolov8n-cls.pt')  # загрузите официальную модель
    model = YOLO('path/to/best.pt')  # загрузите собственную модель

    # Сделайте предсказание с помощью модели
    результаты = model('https://ultralytics.com/images/bus.jpg')  # сделайте предсказание на изображении
    ```
=== "CLI"

    ```bash
    yolo classify predict model=yolov8n-cls.pt source='https://ultralytics.com/images/bus.jpg'  # предсказание с официальной моделью
    yolo classify predict model=path/to/best.pt source='https://ultralytics.com/images/bus.jpg'  # предсказание с собственной моделью
    ```

Подробная информация о режиме predict приведена на странице Предсказание.

Экспорт

Экспортируйте модель YOLOv8n-cls в другой формат, например, ONNX, CoreML и т. д.

!!! Example "Пример"

=== "Python"

    ```python
    from ultralytics import YOLO

    # Загрузите модель
    model = YOLO('yolov8n-cls.pt')  # загрузите официальную модель
    model = YOLO('path/to/best.pt')  # загрузите собственную обученную модель

    # Экспортируйте модель
    model.export(format='onnx')
    ```
=== "CLI"

    ```bash
    yolo export model=yolov8n-cls.pt format=onnx  # экспорт официальной модели
    yolo export model=path/to/best.pt format=onnx  # экспорт собственной обученной модели
    ```

Доступные форматы экспорта YOLOv8-cls представлены в таблице ниже. Вы можете выполнять предсказания или валидацию прямо на экспортированных моделях, например, yolo predict model=yolov8n-cls.onnx. Примеры использования показаны для вашей модели после завершения экспорта.

Формат	Аргумент format	Модель	Метаданные	Аргументы
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

Подробная информация об экспорте приведена на странице Экспорт.