目标：用YOLOV8进行图像分类。
图像分类器。
学习资源：https://www.youtube.com/watch?v=Z-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：
ultralytics==8.0.58
numpy==1.24.2
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", epochs=1, imgsz=64)
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' model=yolov8n-cls.pt epochs=1 imgsz=64
3、查看结果
结果保存在runs/classify下
4、分析结果
结果有3个，
weights：best.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 plt
results_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()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)])
