yolov8图片分类

### 使用YOLOv8实现图片分类任务

#### 准备工作
为了使用YOLOv8执行图片分类任务，需先安装`ultralytics`库。可以通过Python包管理工具pip来完成这一操作[^1]。

pip install ultralytics

#### 数据集准备
确保拥有用于训练或测试的图片数据集，并按照特定格式整理好。对于分类任务而言，通常会有一个文件夹结构，其中每个子文件夹代表一类标签，里面放置对应类别的图像文件[^2]。

#### 训练模型
进入`ultralytics/models/yolo/classify/`路径下找到`train.py`脚本，此脚本负责启动训练过程。通过命令行调用该脚本并传递必要的参数来进行自定义的数据集上训练YOLOv8模型：

from ultralytics import YOLO

model = YOLO('yolov8n-cls.pt')  # 加载预训练权重
results = model.train(data='path/to/dataset', epochs=100, imgsz=640)

这段代码展示了如何加载一个预先存在的YOLOv8分类器(`yolov8n-cls.pt`)以及指定要使用的数据集位置、迭代次数和输入图像尺寸大小。

#### 预测新样本
当模型已经过充分训练之后，就可以利用它对新的未知图片做出预测了。这一步骤同样位于`ultralytics/models/yolo/classify/predict.py`中，下面是一个简单的例子说明怎样做推理：

from ultralytics import YOLO

model = YOLO('runs/classify/train/weights/best.pt')  # 载入最佳性能的模型权值
predictions = model.predict(source='path/to/image.jpg')
for pred in predictions:
    print(pred.probs.top5)  # 输出前五个最可能的结果及其置信度分数

这里假设已经在本地保存了一个经过良好训练后的最优版本的模型权重文件(`best.pt`)，并且指定了待预测的目标图片的位置作为source参数传给predict方法。