图像分类 / 24

YOLO Classify

Ultralytics 分类模型系列

YOLO Classify把图像分类纳入 YOLO 统一训练、验证、预测和导出接口，便于已有检测团队复用数据管理、实验记录与部署流程，降低多任务维护成本。代表性参数规模为约 2.7M–57M（随版本和尺度变化），性能定位是训练入口统一、迭代快速，适合工程团队。

PARAMETERS

参考参数与输入输出

代表性参数量约 2.7M–57M（随版本和尺度变化）

输入按类别目录组织的 RGB 图像；常用 224×224

输出整图类别概率与 Top-K 结果

算力与部署CPU、GPU 与多种导出后端

参数量是公开代表性配置或合理范围，不同骨干、类别数、输入尺寸和实现版本会改变结果；详细实施时以选定配置导出的模型信息为准。

PERFORMANCE

训练入口统一、迭代快速，适合工程团队。工程统一性优于单独搭建 ResNet，但模型研究和细粒度定制自由度较低。网站不使用脱离条件的单一 FPS 或 mAP 数字作为承诺，因为数据集、输入尺寸、精度模式、批量大小、GPU 型号和后处理口径都会显著改变测试结果。

CHARACTERISTICS & USE CASES

MODEL COMPARISON

模型	参考参数规模	速度	精度定位	部署	优先场景
MobileNet	约 2.5M–6.9M（V1/V2/V3 常见配置）	很高	中	成熟	低功耗视觉终端
ResNet	约 11.7M/25.6M/44.5M（18/50/101）	高	高	成熟	工业图像分类
VGG	约 138M/144M（VGG16/VGG19）	中低	中	成熟	教学与算法对照
ConvNeXt	约 28.6M–197.8M（Tiny 至 Large）	中	很高	较成熟	高精度产品分类
YOLO Classify当前	约 2.7M–57M（随版本和尺度变化）	很高	高	成熟	整图缺陷判级

表中“速度、精度、部署”为同类别内的定性定位，用于缩小候选范围，不替代同一测试集、同一硬件和同一精度模式下的实测。

SELECTION SUMMARY

YOLO Classify适合优先考虑整图缺陷判级、产品型号分类、已有 YOLO 团队扩展分类的项目。它的主要价值是与 YOLO 检测和分割使用一致工具链；需要重点评估不是目标定位模型，背景可能主导整图预测、不同 YOLO 版本需分别核对参数和许可证。

建议先用企业真实数据建立基线，再统一测试准确率、召回率、误检率、单张延迟、峰值显存和导出兼容性，最后确定模型规模与部署方式。