Image Classification

Классификация изображений — задача компьютерного зрения, в которой модель анализирует изображение целиком и присваивает ему одну метку из фиксированного набора классов, а также оценку уверенности для каждого класса. Она отвечает на вопрос «что изображено на этой картинке?»: кошка или собака, брак или норма, пневмония или отсутствие патологии. Это самая простая из основных задач компьютерного зрения, а также основа остальных задач: бэкбоны, предварительно обученные классифицировать изображения на больших наборах данных, повторно используются как экстракторы признаков для детекции и сегментации посредством переноса обучения.

Как работает классификация изображений#

Классификатор преобразует пиксели в вероятности классов за три этапа. Бэкбон — свёрточная нейронная сеть (CNN) или визуальный трансформер (ViT) — слой за слоем извлекает признаки: от границ и текстур на ранних слоях до частей объектов и объектов целиком на глубоких слоях. На этапе пулинга итоговые карты признаков сворачиваются в один вектор, описывающий всё изображение. Затем полносвязный слой вычисляет оценку, или логит, для каждого класса, а функция softmax преобразует оценки в вероятности, сумма которых равна 1.

Модели учатся этому отображению на основе обучения с учителем на размеченных изображениях, минимизируя перекрёстную энтропию между предсказанными вероятностями и истинным классом. При классификации с одной меткой (многоклассовой) softmax выбирает ровно один класс для каждого изображения. При многометочной классификации, используемой, когда на изображении могут быть сразу несколько объектов, для каждого класса отдельно вычисляется оценка с помощью сигмоиды, и сохраняются все классы выше порогового значения.

Классификационные модели Ultralytics YOLO26 с суффиксом -cls — это классификаторы с одной меткой, предварительно обученные на ImageNet при размере изображения 224×224 пикселя. Самая компактная модель, YOLO26n-cls, достигает точности top-1 71,4% при 2,8 миллиона параметров. Модели обучаются на любом наборе данных, организованном как папка изображений для каждого класса:

from ultralytics import YOLO

# Load a YOLO26 classification model pretrained on the 1,000 ImageNet classes
model = YOLO("yolo26n-cls.pt")

# Classify the whole image
results = model("https://ultralytics.com/images/bus.jpg")
probs = results[0].probs

# Show the five most likely classes and their softmax probabilities
for class_id, confidence in zip(probs.top5, probs.top5conf.tolist()):
    print(f"{results[0].names[class_id]}: {confidence:.2f}")

Пять вероятностей получены с помощью одной функции softmax для всех 1000 классов, поэтому они показывают уверенность модели в своём наилучшем варианте относительно похожих классов.

Классификация, детекция и сегментация#

Классификация описывает изображение целиком, не сообщая, где находятся объекты и сколько их:

• Детекция объектов: обнаруживает каждый объект, присваивает ему метку и находит его с помощью ограничивающей рамки, чтобы, например, посчитать три машины на одной фотографии.
• Сегментация изображений: размечает пиксели, точно обводя контур каждого объекта или области.
• Распознавание изображений: более широкое понятие, обозначающее идентификацию содержимого изображений; часто используется как неточный синоним классификации.

Выбор задачи зависит от необходимой приложению точности пространственной информации:

Примеры применения в реальных условиях#

• Контроль качества на производстве: камеры на производственной линии фотографируют каждую деталь, а классификатор помечает её как годную или бракованную, чтобы автоматически отбраковывать дефектные изделия.
• Медицинская сортировка пациентов: модели классифицируют рентгеновские снимки грудной клетки, фотографии кожных поражений и снимки сетчатки как нормальные или патологические, чтобы врачи в первую очередь проверяли срочные случаи.
• Сельское хозяйство: фермеры фотографируют листья на телефон, а классификатор определяет болезнь культуры или нехватку питательных веществ.
• Организация контента: фотобиблиотеки и торговые площадки помечают миллионы изображений по сценам и категориям товаров, чтобы их можно было искать и модерировать.

Тесты и модели#

Классификаторы сравнивают по точности top-1 — доле изображений, для которых класс с наибольшей вероятностью указан верно, — и top-5 — доле изображений, истинный класс которых входит в пятёрку наиболее вероятных. Современная классификация выросла из конкурса крупномасштабного распознавания изображений ImageNet, подмножество которого из 1000 классов и около 1,28 миллиона обучающих изображений остаётся стандартным бенчмарком. В 2012 году AlexNet снизила ошибку top-5 до 15,3% против 26,2% у занявшей второе место модели, открыв эпоху глубокого обучения в компьютерном зрении. В 2015 году ResNet позволила обучать сети глубиной более 100 слоёв, а Vision Transformers в 2020 году показали, что модели на основе внимания не уступают CNN или превосходят их после предварительного обучения на 14–300 миллионах изображений.