什么是 YOLO 图像分类？

图像分类将整张图像分配给一组类别中的一个，并为每个类别提供一个置信度分数。这是最简单的计算机视觉任务，当你需要了解图像内容而不是对象位置时（例如质量分级、内容排序或状态监控），它是正确的选择。Ultralytics YOLO 分类模型小巧、快速且易于微调。

我应该使用分类还是目标检测？

如果每张图像只需要一个标签，请使用分类；如果你需要定位或计算图像中的对象，请使用目标检测。分类模型更轻量且训练速度更快，因此在位置无关紧要时，它们通常是最有效的解决方案。

Ultralytics YOLO26 分类模型是推荐的起点，其尺寸范围从用于边缘部署的纳米级到用于最大准确度的超大级。所有尺寸都与其他 Ultralytics YOLO 任务共享相同的训练和部署工作流程。

将图像按每个类别一个文件夹进行组织，并运行 Ultralytics 库的训练模式，或者将你的数据集上传到 Ultralytics Platform 并在云端 GPU 上进行训练，无需任何本地设置。微调预训练权重通常只需每个类别几百张图像即可达到很高的准确率。

使用导出模式导出为 ONNX、TensorRT、CoreML、OpenVINO、LiteRT 以及其他格式。分类模型是最小的 YOLO 变体，因此非常适合移动应用、嵌入式设备和高吞吐量服务。

Ultralytics YOLO

图像分类 将整张图像分配给一组类别中的一个，并为每个类别提供一个置信度分数。这是最简单的计算机视觉任务，当你需要了解图像内容而不是对象位置时（例如质量分级、内容排序或状态监控），它是正确的选择。Ultralytics YOLO 分类模型小巧、快速且易于微调。

如果每张图像只需要一个标签，请使用分类；如果你需要定位或计算图像中的对象，请使用 目标检测。分类模型更轻量且训练速度更快，因此在位置无关紧要时，它们通常是最有效的解决方案。

将图像按每个类别一个文件夹进行组织，并运行 Ultralytics 库的 训练模式，或者将你的数据集上传到 Ultralytics Platform 并在云端 GPU 上进行训练，无需任何本地设置。微调预训练权重通常只需每个类别几百张图像即可达到很高的准确率。

使用 导出模式 导出为 ONNX、TensorRT、CoreML、OpenVINO、LiteRT 以及其他格式。分类模型是最小的 YOLO 变体，因此非常适合移动应用、嵌入式设备和高吞吐量服务。

使用 Ultralytics YOLO26 分类模型为每张图像分配正确的标签。在几分钟内即可对你的自有类别进行训练，并在边缘、云端和移动硬件上实时运行推理。

YOLO26-cls 模型可分配整图标签，下方报告了 top-1 和 top-5 准确率。它们是该系列中最小、最快的成员——纳米级分类器在 CPU 上仅需几毫秒即可运行——并且可以利用简单的“每个类别一个文件夹”格式的数据集在自定义类别上进行微调。

pip install ultralytics

from ultralytics import YOLO

# Load a YOLO26 classification model
model = YOLO("yolo26n-cls.pt")

# Run inference
results = model("image.jpg")

模型	尺寸 (px)	Top-1 准确率	Top-5 准确率	CPU ONNX (ms)	T4 TensorRT (ms)	参数量 (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