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
14 KiB
172 lines
14 KiB
--- |
|
comments: true |
|
description: Узнайте о моделях классификации изображений YOLOv8 Classify. Получите подробную информацию о списке предварительно обученных моделей и как провести Обучение, Валидацию, Предсказание и Экспорт моделей. |
|
keywords: Ultralytics, YOLOv8, классификация изображений, предварительно обученные модели, YOLOv8n-cls, обучение, валидация, предсказание, экспорт модели |
|
--- |
|
|
|
# Классификация изображений |
|
|
|
<img width="1024" src="https://user-images.githubusercontent.com/26833433/243418606-adf35c62-2e11-405d-84c6-b84e7d013804.png" alt="Примеры классификации 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](https://github.com/ultralytics/ultralytics/tree/main/ultralytics/cfg/models/v8) |
|
|
|
Здесь показаны предварительно обученные модели классификации YOLOv8. Модели для обнаружения, сегментации и позы обучаются на наборе данных [COCO](https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco.yaml), в то время как модели классификации обучаются на наборе данных [ImageNet](https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/ImageNet.yaml). |
|
|
|
[Модели](https://github.com/ultralytics/ultralytics/tree/main/ultralytics/cfg/models) автоматически загружаются из последнего релиза Ultralytics [release](https://github.com/ultralytics/assets/releases) при первом использовании. |
|
|
|
| Модель | Размер<br><sup>(пиксели) | Точность<br><sup>top1 | Точность<br><sup>top5 | Скорость<br><sup>CPU ONNX<br>(мс) | Скорость<br><sup>A100 TensorRT<br>(мс) | Параметры<br><sup>(М) | FLOPs<br><sup>(Б) на 640 | |
|
|----------------------------------------------------------------------------------------------|--------------------------|-----------------------|-----------------------|-----------------------------------|----------------------------------------|-----------------------|--------------------------| |
|
| [YOLOv8n-cls](https://github.com/ultralytics/assets/releases/download/v8.1.0/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/v8.1.0/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/v8.1.0/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/v8.1.0/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/v8.1.0/yolov8x-cls.pt) | 224 | 78.4 | 94.3 | 232.0 | 1.01 | 57.4 | 154.8 | |
|
|
|
- Значения **точность** указывают на точность модели на валидационном наборе данных [ImageNet](https://www.image-net.org/). |
|
<br>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](https://aws.amazon.com/ec2/instance-types/p4/). |
|
<br>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](/../usage/cfg.md). |
|
|
|
!!! 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](../../../datasets/classify/index.md). |
|
|
|
## 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](https://docs.ultralytics.com/modes/predict/). |
|
|
|
## 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](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` | |
|
|
|
Подробная информация об экспорте приведена на странице [Экспорт](https://docs.ultralytics.com/modes/export/).
|
|
|