cifar-10-/
|
|– train/
|   |– airplane/
|   |   |– 10008_airplane.png
|   |   |– 10009_airplane.png
|   |   |– …
|   |
|   |– automobile/
|   |   |– 1000_automobile.png
|   |   |– 1001_automobile.png
|   |   |– …
|   |
|   |– bird/
|   |   |– 10014_bird.png
|   |   |– 10015_bird.png
|   |   |– …
|   |
|   |– …
|
|– test/
|   |– airplane/
|   |   |– 10_airplane.png
|   |   |– 11_airplane.png
|   |   |– …
|   |
|   |– automobile/
|   |   |– 100_automobile.png
|   |   |– 101_automobile.png
|   |   |– …
|   |
|   |– bird/
|   |   |– 1000_bird.png
|   |   |– 1001_bird.png
|   |   |– …
|   |
|   |– …
|
|– val/ (optional)
|   |– airplane/
|   |   |– 105_airplane.png
|   |   |– 106_airplane.png
|   |   |– …
|   |
|   |– automobile/
|   |   |– 102_automobile.png
|   |   |– 103_automobile.png
|   |   |– …
|   |
|   |– bird/
|   |   |– 1045_bird.png
|   |   |– 1046_bird.png
|   |   |– …
|   |
|   |– …

讯享网from datasets import load_dataset
ds = load_dataset(“amaye15/stanford-dogs”)

from ultralytics import YOLO
# Load a model
model = YOLO(“yolov8n-cls.pt”)  # load a pretrained model (recommended for training)
# Train the model
results = model.train(data=“path/to/dataset”, epochs=100, imgsz=640)

讯享网# Ensure the model uses CPU
model.to(‘cpu’)

from ultralytics import YOLO
# Load a model
checkpoint = ‘your_model_path.pt’
model = YOLO(checkpoint)  # pretrained YOLOv8n model
# Run batched inference on a list of images
results = model([“im1.jpg”, “im2.jpg”])  # return a list of Results objects
# Process results list
for result in results:
    boxes = result.boxes  # Boxes object for bounding box outputs
    masks = result.masks  # Masks object for segmentation masks outputs
    keypoints = result.keypoints  # Keypoints object for pose outputs
    probs = result.probs  # Probs object for classification outputs
    obb = result.obb  # Oriented boxes object for OBB outputs
    result.show()  # display to screen
    result.save(filename=“result.jpg”)  # save to disk

讯享网from ultralytics import YOLO
# Load a model
model = YOLO(“path/to/best.pt”)  # 加载你自己训练数据集
# 导出为你需要的数据集
model.export(format=“onnx”)

model.train(
    data=‘dataset’,  # Path to your dataset configuration file
    epochs=5,  # Number of epochs
    workers=4,  # Number of workers
    batch_size=16,  # Batch size
    augmented=True,  # Use augmented data
)

model.export(format=‘onnx’,simplify=True)