yolov8_test/docs/de/tasks/classify.md

comments	description	keywords
true	Erfahren Sie mehr über YOLOv8 Classify-Modelle zur Bildklassifizierung. Erhalten Sie detaillierte Informationen über die Liste vortrainierter Modelle und wie man Modelle trainiert, validiert, vorhersagt und exportiert.	Ultralytics, YOLOv8, Bildklassifizierung, Vortrainierte Modelle, YOLOv8n-cls, Training, Validierung, Vorhersage, Modellexport

Bildklassifizierung

Bildklassifizierung ist die einfachste der drei Aufgaben und besteht darin, ein ganzes Bild in eine von einem Satz vordefinierter Klassen zu klassifizieren.

Die Ausgabe eines Bildklassifizierers ist ein einzelnes Klassenlabel und eine Vertrauenspunktzahl. Bildklassifizierung ist nützlich, wenn Sie nur wissen müssen, zu welcher Klasse ein Bild gehört, und nicht wissen müssen, wo sich Objekte dieser Klasse befinden oder wie ihre genaue Form ist.

!!! Tip "Tipp"

YOLOv8 Classify-Modelle verwenden den Suffix `-cls`, z.B. `yolov8n-cls.pt` und sind auf [ImageNet](https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/ImageNet.yaml) vortrainiert.

Modelle

Hier werden vortrainierte YOLOv8 Classify-Modelle gezeigt. Detect-, Segment- und Pose-Modelle sind auf dem COCO-Datensatz vortrainiert, während Classify-Modelle auf dem ImageNet-Datensatz vortrainiert sind.

Modelle werden automatisch vom neuesten Ultralytics-Release beim ersten Gebrauch heruntergeladen.

Modell	Größe (Pixel)	Genauigkeit top1	Genauigkeit top5	Geschwindigkeit CPU ONNX (ms)	Geschwindigkeit A100 TensorRT (ms)	Parameter (M)	FLOPs (B) bei 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

• Genauigkeit-Werte sind Modellgenauigkeiten auf dem ImageNet-Datensatz Validierungsset.
  Zur Reproduktion yolo val classify data=pfad/zu/ImageNet device=0 verwenden
• Geschwindigkeit Durchschnitt über ImageNet-Validierungsbilder mit einer Amazon EC2 P4d-Instanz.
  Zur Reproduktion yolo val classify data=pfad/zu/ImageNet batch=1 device=0|cpu verwenden

Trainieren

Trainieren Sie das YOLOv8n-cls-Modell auf dem MNIST160-Datensatz für 100 Epochen bei Bildgröße 64. Eine vollständige Liste der verfügbaren Argumente finden Sie auf der Seite Konfiguration.

!!! Example "Beispiel"

=== "Python"

    ```python
    from ultralytics import YOLO

    # Ein Modell laden
    model = YOLO('yolov8n-cls.yaml')  # ein neues Modell aus YAML erstellen
    model = YOLO('yolov8n-cls.pt')  # ein vortrainiertes Modell laden (empfohlen für das Training)
    model = YOLO('yolov8n-cls.yaml').load('yolov8n-cls.pt')  # aus YAML erstellen und Gewichte übertragen

    # Das Modell trainieren
    results = model.train(data='mnist160', epochs=100, imgsz=64)
    ```

=== "CLI"

    ```bash
    # Ein neues Modell aus YAML erstellen und das Training von Grund auf starten
    yolo classify train data=mnist160 model=yolov8n-cls.yaml epochs=100 imgsz=64

    # Das Training von einem vortrainierten *.pt Modell starten
    yolo classify train data=mnist160 model=yolov8n-cls.pt epochs=100 imgsz=64

    # Ein neues Modell aus YAML erstellen, vortrainierte Gewichte übertragen und das Training starten
    yolo classify train data=mnist160 model=yolov8n-cls.yaml pretrained=yolov8n-cls.pt epochs=100 imgsz=64
    ```

Datenformat

Das Datenformat für YOLO-Klassifizierungsdatensätze finden Sie im Detail im Datenleitfaden.

Validieren

Validieren Sie die Genauigkeit des trainierten YOLOv8n-cls-Modells auf dem MNIST160-Datensatz. Kein Argument muss übergeben werden, da das modell seine Trainingsdaten und Argumente als Modellattribute behält.

!!! Example "Beispiel"

=== "Python"

    ```python
    from ultralytics import YOLO

    # Ein Modell laden
    model = YOLO('yolov8n-cls.pt')  # ein offizielles Modell laden
    model = YOLO('pfad/zu/best.pt')  # ein benutzerdefiniertes Modell laden

    # Das Modell validieren
    metrics = model.val()  # keine Argumente benötigt, Datensatz und Einstellungen gespeichert
    metrics.top1   # top1 Genauigkeit
    metrics.top5   # top5 Genauigkeit
    ```
=== "CLI"

    ```bash
    yolo classify val model=yolov8n-cls.pt  # ein offizielles Modell validieren
    yolo classify val model=pfad/zu/best.pt  # ein benutzerdefiniertes Modell validieren
    ```

Vorhersagen

Verwenden Sie ein trainiertes YOLOv8n-cls-Modell, um Vorhersagen auf Bildern durchzuführen.

!!! Example "Beispiel"

=== "Python"

    ```python
    from ultralytics import YOLO

    # Ein Modell laden
    model = YOLO('yolov8n-cls.pt')  # ein offizielles Modell laden
    model = YOLO('pfad/zu/best.pt')  # ein benutzerdefiniertes Modell laden

    # Mit dem Modell vorhersagen
    results = model('https://ultralytics.com/images/bus.jpg')  # Vorhersage auf einem Bild
    ```
=== "CLI"

    ```bash
    yolo classify predict model=yolov8n-cls.pt source='https://ultralytics.com/images/bus.jpg'  # mit offiziellem Modell vorhersagen
    yolo classify predict model=pfad/zu/best.pt source='https://ultralytics.com/images/bus.jpg'  # mit benutzerdefiniertem Modell vorhersagen
    ```

Vollständige Details zum predict-Modus finden Sie auf der Seite Vorhersage.

Exportieren

Exportieren Sie ein YOLOv8n-cls-Modell in ein anderes Format wie ONNX, CoreML usw.

!!! Example "Beispiel"

=== "Python"

    ```python
    from ultralytics import YOLO

    # Ein Modell laden
    model = YOLO('yolov8n-cls.pt')  # ein offizielles Modell laden
    model = YOLO('pfad/zu/best.pt')  # ein benutzerdefiniertes trainiertes Modell laden

    # Das Modell exportieren
    model.export(format='onnx')
    ```
=== "CLI"

    ```bash
    yolo export model=yolov8n-cls.pt format=onnx  # offizielles Modell exportieren
    yolo export model=pfad/zu/best.pt format=onnx  # benutzerdefiniertes trainiertes Modell exportieren
    ```

Verfügbare YOLOv8-cls Exportformate stehen in der folgenden Tabelle. Sie können direkt auf exportierten Modellen vorhersagen oder validieren, d.h. yolo predict model=yolov8n-cls.onnx. Nutzungsexempel werden für Ihr Modell nach Abschluss des Exports angezeigt.

Format	format-Argument	Modell	Metadaten	Argumente
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

Vollständige Details zum export finden Sie auf der Seite Export.