文章目录
- 概要
- 制作数据集
- 模型训练
- onnx导出
- rknn导出
概要
YOLO（You Only Look Once）是一系列高效的目标检测算法，其核心思想是将目标检测任务转化为一个回归问题，通过单个神经网络直接在图像上预测边界框和类别概率。当将其用于分类任务时，会去除目标检测相关的边界框预测部分，专注于对整个图像进行类别判断。
特点
- 速度快：继承了 YOLO 系列的高效特性，能够在较短时间内完成图像分类任务，适合对实时性要求较高的场景，例如工业生产线上的产品快速分类、视频流中的图像实时分类等。
- 精度较高：借助 YOLO 系列在目标特征提取方面的优势，能有效捕捉图像中的关键特征，从而实现较高的分类准确率。
- 模型结构紧凑：在保持较高性能的同时，模型结构相对简洁，所需的计算资源较少，便于在资源受限的设备上部署，如嵌入式设备、移动终端等。
实现方式：通常对 YOLO 系列的骨干网络（Backbone）进行微调，去除原模型中用于检测边界框的头部（Head）部分，添加适用于分类任务的全连接层或全局平均池化层等，将输出调整为对应分类类别的概率分布。例如，在 YOLOv8 中就包含了分类模型，它基于其强大的骨干网络，通过简单的结构调整，能够高效
