yolov8_test/docs/es/tasks/classify.md

comments	description	keywords
true	Aprenda sobre los modelos de clasificación de imágenes YOLOv8 Classify. Obtenga información detallada sobre la Lista de Modelos Preentrenados y cómo Entrenar, Validar, Predecir y Exportar modelos.	Ultralytics, YOLOv8, Clasificación de imágenes, Modelos preentrenados, YOLOv8n-cls, Entrenamiento, Validación, Predicción, Exportación de modelos

Clasificación de Imágenes

La clasificación de imágenes es la tarea más sencilla de las tres y consiste en clasificar una imagen completa en una de un conjunto de clases predefinidas.

La salida de un clasificador de imágenes es una única etiqueta de clase y una puntuación de confianza. La clasificación de imágenes es útil cuando solo necesita saber a qué clase pertenece una imagen y no necesita conocer dónde están ubicados los objetos de esa clase o cuál es su forma exacta.

!!! Tip "Consejo"

Los modelos YOLOv8 Classify utilizan el sufijo `-cls`, por ejemplo, `yolov8n-cls.pt` y están preentrenados en [ImageNet](https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/ImageNet.yaml).

Modelos

Los modelos Classify preentrenados YOLOv8 se muestran aquí. Los modelos Detect, Segment y Pose están preentrenados en el conjunto de datos COCO, mientras que los modelos Classify están preentrenados en el conjunto de datos ImageNet.

Los modelos se descargan automáticamente desde el último lanzamiento de Ultralytics en el primer uso.

Modelo	Tamaño (píxeles)	Exactitud top1	Exactitud top5	Velocidad CPU ONNX (ms)	Velocidad A100 TensorRT (ms)	Parámetros (M)	FLOPs (B) en 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

• Los valores de Exactitud son las precisiones de los modelos en el conjunto de datos de validación de ImageNet.
  Para reproducir usar yolo val classify data=path/to/ImageNet device=0
• Velocidad promediada sobre imágenes de validación de ImageNet usando una instancia de Amazon EC2 P4d
  Para reproducir usar yolo val classify data=path/to/ImageNet batch=1 device=0|cpu

Entrenamiento

Entrena el modelo YOLOv8n-cls en el conjunto de datos MNIST160 durante 100 épocas con un tamaño de imagen de 64. Para obtener una lista completa de argumentos disponibles, consulte la página de Configuración.

!!! Example "Ejemplo"

=== "Python"

    ```python
    from ultralytics import YOLO

    # Cargar un modelo
    model = YOLO('yolov8n-cls.yaml')  # construir un nuevo modelo desde YAML
    model = YOLO('yolov8n-cls.pt')  # cargar un modelo preentrenado (recomendado para entrenamiento)
    model = YOLO('yolov8n-cls.yaml').load('yolov8n-cls.pt')  # construir desde YAML y transferir pesos

    # Entrenar el modelo
    results = model.train(data='mnist160', epochs=100, imgsz=64)
    ```

=== "CLI"

    ```bash
    # Construir un nuevo modelo desde YAML y empezar entrenamiento desde cero
    yolo classify train data=mnist160 model=yolov8n-cls.yaml epochs=100 imgsz=64

    # Empezar entrenamiento desde un modelo *.pt preentrenado
    yolo classify train data=mnist160 model=yolov8n-cls.pt epochs=100 imgsz=64

    # Construir un nuevo modelo desde YAML, transferir pesos preentrenados e iniciar entrenamiento
    yolo classify train data=mnist160 model=yolov8n-cls.yaml pretrained=yolov8n-cls.pt epochs=100 imgsz=64
    ```

Formato del conjunto de datos

El formato del conjunto de datos de clasificación YOLO puede encontrarse en detalle en la Guía de Conjuntos de Datos.

Validación

Validar la exactitud del modelo YOLOv8n-cls entrenado en el conjunto de datos MNIST160. No es necesario pasar ningún argumento ya que el modelo retiene su data y argumentos como atributos del modelo.

!!! Example "Ejemplo"

=== "Python"

    ```python
    from ultralytics import YOLO

    # Cargar un modelo
    model = YOLO('yolov8n-cls.pt')  # cargar un modelo oficial
    model = YOLO('path/to/best.pt')  # cargar un modelo personalizado

    # Validar el modelo
    metrics = model.val()  # no se necesitan argumentos, el conjunto de datos y configuraciones se recuerdan
    metrics.top1   # precisión top1
    metrics.top5   # precisión top5
    ```
=== "CLI"

    ```bash
    yolo classify val model=yolov8n-cls.pt  # validar modelo oficial
    yolo classify val model=path/to/best.pt  # validar modelo personalizado
    ```

Predicción

Usar un modelo YOLOv8n-cls entrenado para realizar predicciones en imágenes.

!!! Example "Ejemplo"

=== "Python"

    ```python
    from ultralytics import YOLO

    # Cargar un modelo
    model = YOLO('yolov8n-cls.pt')  # cargar un modelo oficial
    model = YOLO('path/to/best.pt')  # cargar un modelo personalizado

    # Predecir con el modelo
    results = model('https://ultralytics.com/images/bus.jpg')  # predecir en una imagen
    ```
=== "CLI"

    ```bash
    yolo classify predict model=yolov8n-cls.pt source='https://ultralytics.com/images/bus.jpg'  # predecir con modelo oficial
    yolo classify predict model=path/to/best.pt source='https://ultralytics.com/images/bus.jpg'  # predecir con modelo personalizado
    ```

Ver detalles completos del modo predict en la página de Predicción.

Exportación

Exportar un modelo YOLOv8n-cls a un formato diferente como ONNX, CoreML, etc.

!!! Example "Ejemplo"

=== "Python"

    ```python
    from ultralytics import YOLO

    # Cargar un modelo
    model = YOLO('yolov8n-cls.pt')  # cargar un modelo oficial
    model = YOLO('path/to/best.pt')  # cargar un modelo entrenado personalizado

    # Exportar el modelo
    model.export(format='onnx')
    ```
=== "CLI"

    ```bash
    yolo export model=yolov8n-cls.pt format=onnx  # exportar modelo oficial
    yolo export model=path/to/best.pt format=onnx  # exportar modelo entrenado personalizado
    ```

Los formatos de exportación disponibles para YOLOv8-cls se encuentran en la tabla a continuación. Puede predecir o validar directamente en modelos exportados, por ejemplo, yolo predict model=yolov8n-cls.onnx. Ejemplos de uso se muestran para su modelo después de que se completa la exportación.

Formato	Argumento format	Modelo	Metadatos	Argumentos
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

Vea detalles completos de exportación en la página de Exportación.