目標(biāo)：用YOLOV8進(jìn)行圖像分類。

圖像分類器。

學(xué)習(xí)資源：https://www.youtube.com/watch?v=Z-65nqxUdl4

@努力的小巴掌 記錄計(jì)算機(jī)視覺學(xué)習(xí)道路上的所思所得。

1、文件結(jié)構(gòu)化

劃分?jǐn)?shù)據(jù)集：train,val,test

知道怎么劃分?jǐn)?shù)據(jù)集很重要。

文件夾下面有不同類別的圖片。

train?

? ? ?-----dog

? ? ?-----cat

val?

? ? ?-----dog

? ? ?-----cat

test

? ? ?-----dog

? ? ?-----cat

? ??

2、YOLOV8做圖片分類任務(wù)

方法1：

在python寫腳本

首先，確保自己已經(jīng)安裝了ultralytics和numpy。

可以直接創(chuàng)建requirements.txt文件，寫上這個(gè)：

ultralytics==8.0.58

numpy==1.24.2

然后pip install requirements.txt

參考官網(wǎng)給的文檔：

Classify - Ultralytics YOLO Docs

創(chuàng)建main.py

from ultralytics import YOLO

# Load a model
# model = YOLO("yolov8n-cls.yaml") ?# build a new model from YAML
model = YOLO("yolov8n-cls.pt") ?# load a pretrained model (recommended for training)
# model = YOLO("yolov8n-cls.yaml").load("yolov8n-cls.pt") ?# build from YAML and transfer weights

# Train the model
results = model.train(data="數(shù)據(jù)集的的絕對(duì)路徑", epochs=1, imgsz=64)

在本地運(yùn)行時(shí)候，只是為了看看train.py能不能正常運(yùn)行，所以，epocha設(shè)置成1；

data="數(shù)據(jù)集的的絕對(duì)路徑",這里是放所有圖片的那個(gè)總文件夾，就是train/val/test上面一級(jí)的，然后注意一定是絕對(duì)路徑。

方法2

命令行

yolo classify train data='絕對(duì)路徑' model=yolov8n-cls.pt epochs=1?imgsz=64

3、查看結(jié)果

結(jié)果保存在runs/classify下

4、分析結(jié)果

結(jié)果有3個(gè)，

weights：best.pt和last.pt 模型文件

args.yaml： 類似于配置文件，列出了我們訓(xùn)練時(shí)候的所有參數(shù)

results.csv：所有epochs的訓(xùn)練結(jié)果

其中我們重點(diǎn)關(guān)注，loss和accuracy。

我們要保證其損失是一直下降的。

數(shù)字不好看，我們用每個(gè)epoch的loss值畫一個(gè)圖像，可以直觀的看。

創(chuàng)建畫圖腳本plot_metrics.py

代碼：

import os
import pandas as pd
import matplotlib.pyplot as pltresults_path = './runs/classify/train14/results.csv'results = pd.read_csv(results_path)plt.figure()
plt.plot(results['                  epoch'], results['             train/loss'], label='train loss')
plt.plot(results['                  epoch'], results['               val/loss'], label='val loss', c='red')
plt.grid()
plt.title('Loss vs epochs')
plt.ylabel('loss')
plt.xlabel('epochs')
plt.legend()plt.figure()
plt.plot(results['                  epoch'], results['  metrics/accuracy_top1'] * 100)
plt.grid()
plt.title('Validation accuracy vs epochs')
plt.ylabel('accuracy (%)')
plt.xlabel('epochs')plt.show()

結(jié)果類似于：
?

5、預(yù)測(cè)新圖片

創(chuàng)建predict.py

from ultralytics import YOLO

# Load a model

model = YOLO("path/to/best.pt") ?# load a custom model

# Predict with the model
results = model("圖片位置") ?# predict on an image

names_dict = results[0].names

probs = results[0].probs.tolist()

print(names_dict)

print(probs)

print(names_dict[np.argmax(probs)])

computervisioneng (Computer vision engineer) · GitHub