Классификация изображений YOLO в реальном времени
Присваивай правильную метку каждому изображению с помощью моделей классификации Ultralytics YOLO26. Обучай модель на своих категориях за считанные минуты и запускай инференс в реальном времени на периферийных устройствах, в облаке или на мобильном оборудовании.
Модели классификации YOLO26
Модели YOLO26-cls присваивают метки всему изображению, а показатели точности top-1 и top-5 приведены ниже. Это самые маленькие и быстрые представители семейства — nano-классификатор работает за считанные миллисекунды на CPU — и их легко дообучить на собственных категориях, используя простой набор данных, где каждой папке соответствует свой класс.
pip install ultralyticsfrom ultralytics import YOLO
# Load a YOLO26 classification model
model = YOLO("yolo26n-cls.pt")
# Run inference
results = model("image.jpg")| Модель | Размер (px) | Точность Top-1 | Точность Top-5 | CPU ONNX (мс) | T4 TensorRT (мс) | Параметры (M) | FLOPs (B) |
|---|---|---|---|---|---|---|---|
| YOLO26n-cls | 224 | 71.4 | 90.1 | 5.0 ± 0.3 | 1.1 ± 0.0 | 2.8 | 0.5 |
| YOLO26s-cls | 224 | 76.0 | 92.9 | 7.9 ± 0.2 | 1.3 ± 0.0 | 6.7 | 1.6 |
| YOLO26m-cls | 224 | 78.1 | 94.2 | 17.2 ± 0.4 | 2.0 ± 0.0 | 11.6 | 4.9 |
| YOLO26l-cls | 224 | 79.0 | 94.6 | 23.2 ± 0.3 | 2.8 ± 0.0 | 14.1 | 6.2 |
| YOLO26x-cls | 224 | 79.9 | 95.0 | 41.4 ± 0.9 | 3.8 ± 0.0 | 29.6 | 13.6 |
Бенчмарки классификации YOLO26 при разрешении 224 пикселя из документации Ultralytics.
Доверяют ведущие мировые организации
Влияние наших моделей
Оптимизируй процессы в различных отраслях с помощью наших передовых моделей компьютерного зрения. Скорость, точность и простота использования от Ultralytics.
Эволюция моделей Ultralytics YOLO
Узнай, как Ultralytics YOLO эволюционировал от практического рабочего процесса YOLOv5 до вывода YOLO26, готового к работе на периферии.
Сделал обнаружение объектов в реальном времени доступным благодаря быстрому и практичному рабочему процессу PyTorch.
Расширен унифицированный рабочий процесс для обнаружения, сегментации, классификации, позы и OBB.
Улучшенная точность, скорость и эффективность при сохранении привычного рабочего процесса Ultralytics.
Представили сквозной вывод и архитектуру, оптимизированную для эффективного развертывания на периферийных устройствах.
Размечай до 10 раз быстрее с помощью умной аннотации
Платформа Ultralytics предоставляет инструмент для аннотирования изображений, позволяющий быстрее создавать высококачественные наборы данных. От умной аннотации до точного ручного редактирования — эти функции разработаны для сокращения времени на разметку изображений без потери качества.
- Умная аннотация на базе SAM: Маски и BBox в один клик.
- Полный охват задач ИИ: Детекция, сегментация экземпляров, семантическая сегментация, классификация, оценка поз, OBB.
- Поддержка универсальных форматов: На твой выбор YOLO, COCO, VOC и другие.
- Командная проверка и версионирование: Прозрачное сотрудничество на каждом этапе.
Обучайся на лучших GPU дешевле
26 NVIDIA GPU по цене от $0.24/час — от Ampere до Blackwell. Никаких наценок, минимальных порогов и обязательств.
Развертывай где угодно
Экспортируй в 20 форматов и разворачивай на периферии, в облаке и на мобильных устройствах.
Изучить отраслевые решения
Посмотри, как команды применяют компьютерное зрение Ultralytics в производственных средах.
ИИ в сельском хозяйстве
ИИ в автомобильной отрасли
ИИ в здравоохранении
ИИ в логистике
ИИ в производстве
ИИ в розничной торговле
ИИ в робототехнике
ИИ в сельском хозяйстве
ИИ в автомобильной отрасли
ИИ в здравоохранении
ИИ в логистике
ИИ в производстве
ИИ в розничной торговле
ИИ в робототехнике
ИИ в сельском хозяйстве
ИИ в автомобильной отрасли
ИИ в здравоохранении
ИИ в логистике
ИИ в производстве
ИИ в розничной торговле
ИИ в робототехнике
Часто задаваемые вопросы
Классификация изображений относит всё изображение к одному из заданных классов с указанием коэффициента уверенности для каждого. Это самая простая задача компьютерного зрения, и она идеально подходит, когда тебе нужно знать, что именно изображено на картинке, а не где находятся объекты — например, для контроля качества, сортировки контента или мониторинга состояния. Модели классификации Ultralytics YOLO компактны, быстры и просты в дообучении.
Используй классификацию, если достаточно одной метки на изображение, и обнаружение объектов, если тебе нужно найти или посчитать объекты на изображении. Модели классификации легче и быстрее обучаются, поэтому они зачастую являются самым эффективным решением, когда положение объектов не имеет значения.
Модели классификации Ultralytics YOLO26 — это рекомендуемая отправная точка, доступная в размерах от nano для периферийных устройств до extra-large для достижения максимальной точности. Все модели используют те же рабочие процессы обучения и развертывания, что и другие задачи Ultralytics YOLO.
Разложи изображения по папкам (одна папка на класс) и запусти режим обучения библиотеки Ultralytics, либо загрузи свой набор данных на платформу Ultralytics и обучайся на облачных GPU без какой-либо локальной настройки. Дообучение предобученных весов обычно позволяет достичь высокой точности при наличии всего нескольких сотен изображений на класс.
Используй режим экспорта для сохранения в ONNX, TensorRT, CoreML, OpenVINO, LiteRT и другие форматы. Модели классификации — это самые компактные варианты YOLO, что делает их идеальными для мобильных приложений, встроенных устройств и высокопроизводительных сервисов.
Создавай классификацию изображений с Ultralytics
Упорядочивай данные, обучай классификаторы YOLO26 и развертывай их где угодно с помощью платформы Ultralytics.