Yolo V8 Indoor Scene Classification

🚀 uisikdag/indoorsceneclas_v8

uisikdag/indoorsceneclas_v8 是基于 ultralytics 库的图像分类模型，可用于室内场景的分类识别，支持多种常见室内场景的分类。

🚀 快速开始

安装依赖

你需要安装 ultralyticsplus 和 ultralytics 库，可使用以下命令进行安装：

pip install ultralyticsplus==0.0.23 ultralytics==8.0.21

加载模型并进行预测

以下是一个简单的代码示例，展示了如何加载模型并进行预测：

from ultralyticsplus import YOLO, postprocess_classify_output

# 加载模型
model = YOLO('uisikdag/indoorsceneclas_v8')

# 设置模型参数
model.overrides['conf'] = 0.25  # 模型置信度阈值

# 设置图像
image = 'https://github.com/ultralytics/yolov5/raw/master/data/images/zidane.jpg'

# 进行推理
results = model.predict(image)

# 查看结果
print(results[0].probs) # [0.1, 0.2, 0.3, 0.4]
processed_result = postprocess_classify_output(model, result=results[0])
print(processed_result) # {"cat": 0.4, "dog": 0.6}

✨ 主要特性

• 多场景支持：支持多种室内场景的分类，包括机场内部、艺术工作室、礼堂等。
• 易于使用：借助 ultralyticsplus 库，可快速加载模型并进行预测。

📦 安装指南

安装所需的库，使用以下命令：

pip install ultralyticsplus==0.0.23 ultralytics==8.0.21

💻 使用示例

基础用法

from ultralyticsplus import YOLO, postprocess_classify_output

# 加载模型
model = YOLO('uisikdag/indoorsceneclas_v8')

# 设置模型参数
model.overrides['conf'] = 0.25  # 模型置信度阈值

# 设置图像
image = 'https://github.com/ultralytics/yolov5/raw/master/data/images/zidane.jpg'

# 进行推理
results = model.predict(image)

# 查看结果
print(results[0].probs) # [0.1, 0.2, 0.3, 0.4]
processed_result = postprocess_classify_output(model, result=results[0])
print(processed_result) # {"cat": 0.4, "dog": 0.6}

📚 详细文档

支持的标签

模型支持以下室内场景标签：

['airport_inside', 'artstudio', 'auditorium', 'bakery', 'bookstore', 'bowling', 'buffet', 'casino', 'children_room', 'church_inside', 'classroom', 'cloister', 'closet', 'clothingstore', 'computerroom', 'concert_hall', 'corridor', 'deli', 'dentaloffice', 'dining_room', 'elevator', 'fastfood_restaurant', 'florist', 'gameroom', 'garage', 'greenhouse', 'grocerystore', 'gym', 'hairsalon', 'hospitalroom', 'inside_bus', 'inside_subway', 'jewelleryshop', 'kindergarden', 'kitchen', 'laboratorywet', 'laundromat', 'library', 'livingroom', 'lobby', 'locker_room', 'mall', 'meeting_room', 'movietheater', 'museum', 'nursery', 'office', 'operating_room', 'pantry', 'poolinside', 'prisoncell', 'restaurant', 'restaurant_kitchen', 'shoeshop', 'stairscase', 'studiomusic', 'subway', 'toystore', 'trainstation', 'tv_studio', 'videostore', 'waitingroom', 'warehouse', 'winecellar']

数据集

该模型使用的数据集可通过以下链接获取：Link

模型指标