一个域名可以做几个网站吗,国家企业信息公示网查询全国,在家开个人工作室违法吗,wordpress站点演示目标#xff1a;用YOLOV8进行图像分类。
图像分类器。
学习资源#xff1a;https://www.youtube.com/watch?vZ-65nqxUdl4
努力的小巴掌 记录计算机视觉学习道路上的所思所得。
1、文件结构化
划分数据集#xff1a;train,val,test
知道怎么划分数据集很重要。
文件夹…目标用YOLOV8进行图像分类。
图像分类器。
学习资源https://www.youtube.com/watch?vZ-65nqxUdl4
努力的小巴掌 记录计算机视觉学习道路上的所思所得。
1、文件结构化
划分数据集train,val,test
知道怎么划分数据集很重要。
文件夹下面有不同类别的图片。
train -----dog -----cat
val -----dog -----cat
test -----dog -----cat 2、YOLOV8做图片分类任务
方法1
在python写脚本
首先确保自己已经安装了ultralytics和numpy。
可以直接创建requirements.txt文件写上这个
ultralytics8.0.58
numpy1.24.2
然后pip install requirements.txt 参考官网给的文档 Classify - Ultralytics YOLO Docs
创建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数据集的的绝对路径, epochs1, imgsz64)
在本地运行时候只是为了看看train.py能不能正常运行所以epocha设置成1
data数据集的的绝对路径,这里是放所有图片的那个总文件夹就是train/val/test上面一级的然后注意一定是绝对路径。 方法2
命令行
yolo classify train data绝对路径 modelyolov8n-cls.pt epochs1 imgsz64 3、查看结果
结果保存在runs/classify下
4、分析结果
结果有3个
weightsbest.pt和last.pt 模型文件
args.yaml 类似于配置文件列出了我们训练时候的所有参数
results.csv所有epochs的训练结果 其中我们重点关注loss和accuracy。
我们要保证其损失是一直下降的。
数字不好看我们用每个epoch的loss值画一个图像可以直观的看。
创建画图脚本plot_metrics.py
代码
import os
import pandas as pd
import matplotlib.pyplot as pltresults_path ./runs/classify/train14/results.csvresults pd.read_csv(results_path)plt.figure()
plt.plot(results[ epoch], results[ train/loss], labeltrain loss)
plt.plot(results[ epoch], results[ val/loss], labelval loss, cred)
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()
结果类似于 5、预测新图片
创建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(图片位置) # 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
