【图像分类 yolov11】使用YOLOv11进行图像分类任务：训练与预测

简介

YOLOv11是由Ultralytics团队在2024年9月30日发布的最新一代目标检测和图像分割模型。它在前代版本的基础上引入了多项新功能和改进，以提高性能和灵活性。YOLOv11不仅在目标检测方面表现出色，还支持图像分类、姿态估计和对象跟踪等多样化的计算机视觉任务。本文将详细介绍如何使用YOLOv11进行图像分类任务的训练与预测。

YOLOv11的关键特性

增强的特征提取：YOLOv11采用了改进的骨干和颈部架构，增强了特征提取能力，提高了物体检测的精确度和复杂任务的表现。
优化的效率和速度：引入精炼的架构设计和优化的训练流程，实现更快的处理速度，同时保持精度和性能之间的最佳平衡。
更高的准确性与更少的参数：YOLOv11m在COCO数据集上实现了更高的均值平均精度（mAP），同时使用比YOLOv8m少22%的参数，使其在不妥协准确性的情况下更加计算高效。
环境适应性强：YOLOv11可以无缝部署在各种环境中，包括边缘设备、云平台以及支持NVIDIA GPU的系统。
支持广泛的任务：YOLOv11支持多种计算机视觉任务，如物体检测、实例分割、图像分类、姿态估计和定向物体检测（OBB）。

环境配置

在开始之前，确保你的计算环境中安装了所有必要的依赖项，包括PyTorch和其他必需的库。你可以通过以下命令安装Ultralytics YOLOv11：

pip install ultralytics

数据集准备

对于图像分类任务，你需要准备一个标注好的数据集。数据集应该包含图像文件和对应的标签。标签可以是简单的类别索引，也可以是one-hot编码的向量。确保你的数据集已经划分为训练集和验证集。

训练YOLOv11模型

使用YOLOv11进行图像分类训练的步骤如下：

下载预训练模型：你可以从Ultralytics的GitHub仓库下载预训练的YOLOv11分类模型。例如，使用以下命令下载yolo11n-cls.pt模型：
```
wget https://github.com/ultralytics/yolov11/releases/download/v1.0/yolo11n-cls.pt
```

准备数据集配置文件：创建一个YAML格式的配置文件，指定训练和验证图像的路径、类别数量和类别名称。例如：

# 数据集路径
path: ../dataset

# 训练集和验证集的图像路径
train: ./train/images
val: ./val/images

# 类别信息
nc: 2
names:
  0: soil
  1: unsoil

编写训练脚本：创建一个Python脚本，使用Ultralytics YOLOv11 API进行模型训练。例如：

from ultralytics import YOLO

if __name__ == '__main__':
    model = YOLO("yolo11n-cls.pt")  # 加载预训练模型
    model.train(data="data.yaml",  # 数据集配置文件
                epochs=100,
                imgsz=640,
                batch=16,
                device='0')  # 使用GPU训练

运行训练脚本：在终端中运行训练脚本：
```
python train.py
```

训练过程中，模型会自动保存在指定的目录下，包括每个epoch的权重文件和最佳权重文件best.pt。

模型预测

训练完成后，你可以使用训练好的模型对新的图像进行分类预测。以下是使用Python脚本进行预测的示例：

from ultralytics import YOLO

model = YOLO("runs/train/exp/weights/best.pt")  # 加载训练好的模型
results = model.predict(source='path/to/image.jpg',  # 推理图像路径
                        save=True,
                        show=True)

这将对指定的图像进行分类预测，并将结果保存在指定的目录下。

总结

YOLOv11是一个功能强大、灵活且易于使用的模型，适用于各种计算机视觉任务，包括图像分类。通过上述步骤，你可以轻松地使用YOLOv11进行图像分类任务的训练和预测。希望这个教程能帮助你快速上手YOLOv11，并在你的项目中实现高效的图像分类功能。