You can not select more than 25 topics
Topics must start with a letter or number, can include dashes ('-') and can be up to 35 characters long.
172 lines
12 KiB
172 lines
12 KiB
--- |
|
comments: true |
|
description: YOLOv8 分類モデルについての画像分類。事前トレーニングされたモデルのリストとモデルのトレーニング、検証、予測、エクスポート方法の詳細情報を学びます。 |
|
keywords: Ultralytics, YOLOv8, 画像分類, 事前トレーニングされたモデル, YOLOv8n-cls, トレーニング, 検証, 予測, モデルエクスポート |
|
--- |
|
|
|
# 画像分類 |
|
|
|
<img width="1024" src="https://user-images.githubusercontent.com/26833433/243418606-adf35c62-2e11-405d-84c6-b84e7d013804.png" alt="画像分類の例"> |
|
|
|
画像分類は3つのタスクの中で最も単純で、1枚の画像をあらかじめ定義されたクラスのセットに分類します。 |
|
|
|
画像分類器の出力は単一のクラスラベルと信頼度スコアです。画像がどのクラスに属しているかのみを知る必要があり、クラスのオブジェクトがどこにあるか、その正確な形状は必要としない場合に画像分類が役立ちます。 |
|
|
|
!!! Tip "ヒント" |
|
|
|
YOLOv8 分類モデルは `-cls` 接尾辞を使用します。例: `yolov8n-cls.pt` これらは [ImageNet](https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/ImageNet.yaml) で事前にトレーニングされています。 |
|
|
|
## [モデル](https://github.com/ultralytics/ultralytics/tree/main/ultralytics/cfg/models/v8) |
|
|
|
ここに事前トレーニングされた YOLOv8 分類モデルが表示されています。検出、セグメンテーション、ポーズモデルは [COCO](https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco.yaml) データセットで事前にトレーニングされていますが、分類モデルは [ImageNet](https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/ImageNet.yaml) で事前にトレーニングされています。 |
|
|
|
[モデル](https://github.com/ultralytics/ultralytics/tree/main/ultralytics/cfg/models) は初回使用時に Ultralytics の最新 [リリース](https://github.com/ultralytics/assets/releases) から自動的にダウンロードされます。 |
|
|
|
| モデル | サイズ<br><sup>(ピクセル) | 正確性<br><sup>トップ1 | 正確性<br><sup>トップ5 | スピード<br><sup>CPU ONNX<br>(ms) | スピード<br><sup>A100 TensorRT<br>(ms) | パラメータ<br><sup>(M) | FLOPs<br><sup>(B) at 640 | |
|
|----------------------------------------------------------------------------------------------|--------------------|------------------|------------------|-------------------------------|------------------------------------|-------------------|--------------------------| |
|
| [YOLOv8n-cls](https://github.com/ultralytics/assets/releases/download/v0.0.0/yolov8n-cls.pt) | 224 | 66.6 | 87.0 | 12.9 | 0.31 | 2.7 | 4.3 | |
|
| [YOLOv8s-cls](https://github.com/ultralytics/assets/releases/download/v0.0.0/yolov8s-cls.pt) | 224 | 72.3 | 91.1 | 23.4 | 0.35 | 6.4 | 13.5 | |
|
| [YOLOv8m-cls](https://github.com/ultralytics/assets/releases/download/v0.0.0/yolov8m-cls.pt) | 224 | 76.4 | 93.2 | 85.4 | 0.62 | 17.0 | 42.7 | |
|
| [YOLOv8l-cls](https://github.com/ultralytics/assets/releases/download/v0.0.0/yolov8l-cls.pt) | 224 | 78.0 | 94.1 | 163.0 | 0.87 | 37.5 | 99.7 | |
|
| [YOLOv8x-cls](https://github.com/ultralytics/assets/releases/download/v0.0.0/yolov8x-cls.pt) | 224 | 78.4 | 94.3 | 232.0 | 1.01 | 57.4 | 154.8 | |
|
|
|
- **正確性** の値は [ImageNet](https://www.image-net.org/) データセットの検証セットでのモデルの正確性です。 |
|
<br>再現するには `yolo val classify data=path/to/ImageNet device=0` |
|
- **スピード** は [Amazon EC2 P4d](https://aws.amazon.com/ec2/instance-types/p4/) インスタンスを使用して ImageNet 検証画像を平均化したものです。 |
|
<br>再現するには `yolo val classify data=path/to/ImageNet batch=1 device=0|cpu` |
|
|
|
## トレーニング |
|
|
|
画像サイズ64で100エポックにわたってMNIST160データセットにYOLOv8n-clsをトレーニングします。利用可能な引数の完全なリストについては、[設定](/../usage/cfg.md) ページを参照してください。 |
|
|
|
!!! Example "例" |
|
|
|
=== "Python" |
|
|
|
```python |
|
from ultralytics import YOLO |
|
|
|
# モデルをロードする |
|
model = YOLO('yolov8n-cls.yaml') # YAMLから新しいモデルをビルド |
|
model = YOLO('yolov8n-cls.pt') # 事前にトレーニングされたモデルをロード（トレーニングに推奨） |
|
model = YOLO('yolov8n-cls.yaml').load('yolov8n-cls.pt') # YAMLからビルドしてウェイトを転送 |
|
|
|
# モデルをトレーニングする |
|
results = model.train(data='mnist160', epochs=100, imgsz=64) |
|
``` |
|
|
|
=== "CLI" |
|
|
|
```bash |
|
# YAMLから新しいモデルをビルドし、ゼロからトレーニングを開始 |
|
yolo classify train data=mnist160 model=yolov8n-cls.yaml epochs=100 imgsz=64 |
|
|
|
# 事前にトレーニングされた *.pt モデルからトレーニングを開始 |
|
yolo classify train data=mnist160 model=yolov8n-cls.pt epochs=100 imgsz=64 |
|
|
|
# YAMLから新しいモデルをビルドし、事前トレーニングされたウェイトを転送してトレーニングを開始 |
|
yolo classify train data=mnist160 model=yolov8n-cls.yaml pretrained=yolov8n-cls.pt epochs=100 imgsz=64 |
|
``` |
|
|
|
### データセットフォーマット |
|
|
|
YOLO分類データセットのフォーマットの詳細は [データセットガイド](../../../datasets/classify/index.md) にあります。 |
|
|
|
## 検証 |
|
|
|
MNIST160データセットでトレーニング済みのYOLOv8n-clsモデルの正確性を検証します。引数は必要ありません。`model` はトレーニング時の `data` および引数をモデル属性として保持しています。 |
|
|
|
!!! Example "例" |
|
|
|
=== "Python" |
|
|
|
```python |
|
from ultralytics import YOLO |
|
|
|
# モデルをロードする |
|
model = YOLO('yolov8n-cls.pt') # 公式モデルをロード |
|
model = YOLO('path/to/best.pt') # カスタムモデルをロード |
|
|
|
# モデルを検証する |
|
metrics = model.val() # 引数不要、データセットと設定は記憶されている |
|
metrics.top1 # トップ1の正確性 |
|
metrics.top5 # トップ5の正確性 |
|
``` |
|
=== "CLI" |
|
|
|
```bash |
|
yolo classify val model=yolov8n-cls.pt # 公式モデルを検証 |
|
yolo classify val model=path/to/best.pt # カスタムモデルを検証 |
|
``` |
|
|
|
## 予測 |
|
|
|
トレーニング済みのYOLOv8n-clsモデルを使用して、画像に対する予測を実行します。 |
|
|
|
!!! Example "例" |
|
|
|
=== "Python" |
|
|
|
```python |
|
from ultralytics import YOLO |
|
|
|
# モデルをロードする |
|
model = YOLO('yolov8n-cls.pt') # 公式モデルをロード |
|
model = YOLO('path/to/best.pt') # カスタムモデルをロード |
|
|
|
# モデルで予測する |
|
results = model('https://ultralytics.com/images/bus.jpg') # 画像で予測 |
|
``` |
|
=== "CLI" |
|
|
|
```bash |
|
yolo classify predict model=yolov8n-cls.pt source='https://ultralytics.com/images/bus.jpg' # 公式モデルで予測 |
|
yolo classify predict model=path/to/best.pt source='https://ultralytics.com/images/bus.jpg' # カスタムモデルで予測 |
|
``` |
|
|
|
`predict` モードの完全な詳細は [予測](https://docs.ultralytics.com/modes/predict/) ページを参照してください。 |
|
|
|
## エクスポート |
|
|
|
YOLOv8n-clsモデルをONNX、CoreMLなどの異なる形式にエクスポートします。 |
|
|
|
!!! Example "例" |
|
|
|
=== "Python" |
|
|
|
```python |
|
from ultralytics import YOLO |
|
|
|
# モデルをロードする |
|
model = YOLO('yolov8n-cls.pt') # 公式モデルをロード |
|
model = YOLO('path/to/best.pt') # カスタムトレーニングされたモデルをロード |
|
|
|
# モデルをエクスポートする |
|
model.export(format='onnx') |
|
``` |
|
=== "CLI" |
|
|
|
```bash |
|
yolo export model=yolov8n-cls.pt format=onnx # 公式モデルをエクスポート |
|
yolo export model=path/to/best.pt format=onnx # カスタムトレーニングされたモデルをエクスポート |
|
``` |
|
|
|
利用可能な YOLOv8-cls エクスポート形式は以下の表にあります。エクスポートされたモデルで直接予測または検証が可能です、例: `yolo predict model=yolov8n-cls.onnx`。エクスポート完了後、モデルの使用例が表示されます。 |
|
|
|
| 形式 | `format` 引数 | モデル | メタデータ | 引数 | |
|
|--------------------------------------------------------------------|---------------|-------------------------------|-------|-----------------------------------------------------| |
|
| [PyTorch](https://pytorch.org/) | - | `yolov8n-cls.pt` | ✅ | - | |
|
| [TorchScript](https://pytorch.org/docs/stable/jit.html) | `torchscript` | `yolov8n-cls.torchscript` | ✅ | `imgsz`, `optimize` | |
|
| [ONNX](https://onnx.ai/) | `onnx` | `yolov8n-cls.onnx` | ✅ | `imgsz`, `half`, `dynamic`, `simplify`, `opset` | |
|
| [OpenVINO](https://docs.openvino.ai/latest/index.html) | `openvino` | `yolov8n-cls_openvino_model/` | ✅ | `imgsz`, `half` | |
|
| [TensorRT](https://developer.nvidia.com/tensorrt) | `engine` | `yolov8n-cls.engine` | ✅ | `imgsz`, `half`, `dynamic`, `simplify`, `workspace` | |
|
| [CoreML](https://github.com/apple/coremltools) | `coreml` | `yolov8n-cls.mlpackage` | ✅ | `imgsz`, `half`, `int8`, `nms` | |
|
| [TF SavedModel](https://www.tensorflow.org/guide/saved_model) | `saved_model` | `yolov8n-cls_saved_model/` | ✅ | `imgsz`, `keras` | |
|
| [TF GraphDef](https://www.tensorflow.org/api_docs/python/tf/Graph) | `pb` | `yolov8n-cls.pb` | ❌ | `imgsz` | |
|
| [TF Lite](https://www.tensorflow.org/lite) | `tflite` | `yolov8n-cls.tflite` | ✅ | `imgsz`, `half`, `int8` | |
|
| [TF Edge TPU](https://coral.ai/docs/edgetpu/models-intro/) | `edgetpu` | `yolov8n-cls_edgetpu.tflite` | ✅ | `imgsz` | |
|
| [TF.js](https://www.tensorflow.org/js) | `tfjs` | `yolov8n-cls_web_model/` | ✅ | `imgsz` | |
|
| [PaddlePaddle](https://github.com/PaddlePaddle) | `paddle` | `yolov8n-cls_paddle_model/` | ✅ | `imgsz` | |
|
| [ncnn](https://github.com/Tencent/ncnn) | `ncnn` | `yolov8n-cls_ncnn_model/` | ✅ | `imgsz`, `half` | |
|
|
|
`export` の詳細は [エクスポート](https://docs.ultralytics.com/modes/export/) ページを参照してください。
|
|
|