yolo11分类测试

### 使用YOLOv11进行图像分类测试

对于使用YOLOv11执行图像分类任务，尽管该版本主要专注于目标检测，但可以通过调整配置来适应分类需求。为了完成这一过程，需准备数据集并按照特定结构组织文件夹[^4]。

#### 准备工作

确保安装了必要的依赖库，并设置了适当的工作环境。如果采用的是预训练模型，则应下载对应的权重文件以便后续加载。对于自定义的数据集，建议将其划分为训练集、验证集以及测试集三个部分，并放置于指定路径下：

ClssifyDataSets
├── train
│   ├── 类别1
│   └── 类别2
├── val
│   ├── 类别1
│   └── 类别2
└── test
    ├── 类别1
    └── 类别2

#### 修改配置文件

针对YOLOv11的配置文件（通常是`.yaml`格式），需要做如下修改以支持多类别分类任务：

nc: 2 # 设置为所需的总类别数
names: ['cat', 'dog'] # 定义各个类别的名称列表

#### 编写Python脚本

编写一段简单的Python代码用于加载模型并对单张或多张图片实施推理操作。这里提供了一个基础框架作为参考：

import torch
from pathlib import Path
from PIL import Image
import torchvision.transforms as transforms

def load_model(weights_path='best.pt'):
    model = torch.hub.load('ultralytics/yolov5', 'custom', path=weights_path, force_reload=True)
    return model.eval()

def predict_image(image_path, model):
    img = Image.open(Path(image_path))
    transform = transforms.Compose([
        transforms.Resize((640, 640)),
        transforms.ToTensor()
    ])
    
    input_tensor = transform(img).unsqueeze(0)
    with torch.no_grad():
        outputs = model(input_tensor)

    _, predicted_idx = torch.max(outputs.data, 1)
    return int(predicted_idx), float(torch.softmax(outputs, dim=1)[0][predicted_idx])

if __name__ == '__main__':
    model = load_model()  # 加载本地保存的最佳模型参数
    
    image_paths = ["path/to/cat.jpg", "path/to/dog.png"]  # 替换成实际待测样本的位置
    results = []
    for p in image_paths:
        label_id, confidence_score = predict_image(p, model=model)
        print(f'Predicting {p}: Label={label_id}, Confidence Score={confidence_score:.4f}')
        results.append({'image': str(p), 'prediction': label_id})

上述代码片段展示了如何读取一张图片并通过调用已训练好的YOLOv11模型来进行预测。注意这里的输入尺寸被固定成了\(640\times640\)像素大小；此外还应用了softmax函数计算每种类别属于当前实例的概率值[^3]。