Einen Bildklassifikator trainieren

Die Ordnerstruktur des Datensatzes#

Klassifizierungsdatensätze bestehen aus Verzeichnissen, nicht aus YAML-Dateien. Verweise data= auf den Stammordner:

parts/
├── train/
│   ├── good/      img_0001.jpg ...
│   ├── scratch/   img_0412.jpg ...
│   └── dent/      img_0733.jpg ...
└── val/
    ├── good/
    ├── scratch/
    └── dent/

Was der Datenlader damit macht, geht aus dem installierten Quellcode und dem Leitfaden zu Klassifizierungsdatensätzen hervor:

Auf der Ultralytics Platform enthält ein Klassifizierungsdatensatz pro Bild ein Label auf Bildebene statt Formen:

Mit MNIST160 trainieren#

MNIST160 umfasst 160 handgeschriebene Ziffern, 80 in train/ und 80 in test/, jeweils auf zehn Ziffernordner verteilt — klein genug für einen CPU-Rauchtest. Der Datensatz enthält keinen Ordner val/; achte daher auf die Warnung des Datenladers und darauf, dass er stattdessen test/ verwendet:

from ultralytics import YOLO

model = YOLO("yolo26n-cls.pt")
model.train(data="mnist160", epochs=1, imgsz=64, device="cpu")
metrics = model.val()
print(f"top-1: {metrics.top1:.3f}  top-5: {metrics.top5:.3f}")

WARNING ⚠️ Dataset 'split=val' not found, using 'split=test' instead.
val: .../datasets/mnist160/test... found 80 images in 10 classes ✅
                   all      0.162      0.463
top-1: 0.162  top-5: 0.463

Eine Epoche verändert den neuen Kopf mit zehn Klassen kaum. In unserem Lauf erreichte epochs=10 auf einer Laptop-CPU in etwa zehn Sekunden eine Top-1-Genauigkeit von 0.55 und Top-5 von 0.95 — die Trainingsschleife funktioniert, braucht aber einfach mehr Epochen. Im Leitfaden zur Klassifizierungsaufgabe sind die Größen der vortrainierten Modelle aufgeführt.

Top-1 ist der Anteil der Bilder, bei denen die Klasse mit der höchsten Wahrscheinlichkeit korrekt ist. Top-5 zählt einen Treffer, wenn die richtige Klasse unter den fünf wahrscheinlichsten ist. Top-5 ist bei den 1.000 Klassen von ImageNet aussagekräftig, deren Klassen von allgemein bis sehr spezifisch reichen; bei fünf oder weniger Klassen beträgt der Wert immer 1.0, und bei zehn Klassen ist er großzügig. Beurteile das Modell anhand der Genauigkeit bei Top-1 sowie einer Konfusionsmatrix pro Klasse.

Wahrscheinlichkeiten im Code auslesen#

from ultralytics import YOLO

model = YOLO("yolo26n-cls.pt")  # ImageNet, 1,000 classes
result = model("https://ultralytics.com/images/bus.jpg")[0]

probs = result.probs
print(f"top-1: {result.names[probs.top1]} ({float(probs.top1conf):.2f})")
for i, conf in zip(probs.top5, probs.top5conf.tolist()):
    print(f"  {result.names[i]:20s} {conf:.3f}")

top-1: minibus (0.52)
  minibus              0.516
  police_van           0.369
  trolleybus           0.096
  minivan              0.006
  ambulance            0.003

probs.top1 ist ein Index, probs.top5 eine Liste von Indizes und probs.data der vollständige Wahrscheinlichkeitsvektor. Beachte die Top-1-Konfidenz: 0.52 ist kaum mehr als ein Münzwurf zwischen minibus und police_van. Anhand dieser Zahl leitest du die Vorhersage weiter.

Unsichere Vorhersagen zur Prüfung an eine Person weiterleiten#

Ein Klassifikator muss in der Produktion selten bei jedem Bild richtig liegen; er muss bei den Bildern richtig liegen, die er eigenständig beurteilt. Dieses Skript trainiert das Modell über 10 Epochen und misst anschließend, wie sich verschiedene Konfidenzschwellenwerte auf die 80 zurückgehaltenen Ziffern auswirken würden:

from pathlib import Path

from ultralytics import YOLO

model = YOLO("yolo26n-cls.pt")
model.train(data="mnist160", epochs=10, imgsz=64, device="cpu", plots=False)  # model now holds best.pt
print(model.names)  # folder names, sorted, became class indices

test = Path(model.trainer.data["test"])  # mnist160/test, the split the loader validated on
images = sorted(test.rglob("*.png"))
results = model(images, imgsz=64, verbose=False)
truth = [p.parent.name for p in images]

for threshold in (0.0, 0.3, 0.6):
    kept = [(r, t) for r, t in zip(results, truth) if r.probs.top1conf >= threshold]
    correct = sum(r.names[r.probs.top1] == t for r, t in kept)
    print(f"threshold {threshold:.1f}: auto-accept {len(kept):2d}/{len(images)}, accuracy on accepted {correct / max(len(kept), 1):.0%}")

{0: '0', 1: '1', 2: '2', 3: '3', 4: '4', 5: '5', 6: '6', 7: '7', 8: '8', 9: '9'}
threshold 0.0: auto-accept 80/80, accuracy on accepted 55%
threshold 0.3: auto-accept 41/80, accuracy on accepted 68%
threshold 0.6: auto-accept 10/80, accuracy on accepted 80%

Jede Zeile zeigt einen Zielkonflikt: Ein höherer Schwellenwert erhöht die Genauigkeit der akzeptierten Vorhersagen und leitet mehr Bilder an eine Person weiter. Bei 0.6 entscheidet dieses Modell nur bei 10 von 80 Ziffern selbst — es ist noch nicht bereit, irgendetwas zu automatisieren. Die Lösung sind mehr Trainingsepochen, kein ausgefeilterer Schwellenwert. Führe dieselbe Tabelle nach jeder Trainingsrunde erneut aus: Sie zeigt sowohl die erreichbare Genauigkeit als auch genau, wie viel Prüfaufwand jeder Schwellenwert verursacht.

Stolperfallen#

Klassifikatoren werden mit imgsz=224 vortrainiert, nicht mit 640. Kleine Objekte in einem großen Bild lassen sich besser mit Erkennung und anschließender Klassifizierung behandeln (nächste Lektion) als mit einem größeren imgsz.