مجموعة بيانات ImageNet#

مجموعة بيانات Ultralytics ImageNet (data="imagenet") هي مجموعة بيانات فرعية ImageNet-1k / ILSVRC-2012 المستخدمة للتدريب وتقييم نماذج تصنيف الصور. وهي تحتوي على 1,000 فئة كائنات مع 1,281,167 صورة تدريب و50,000 صورة تحقق بحجم صورة 224x224، ويتم تنزيلها بحجم يبلغ حوالي 144 جيجابايت من البيانات. قاعدة بيانات ImageNet الأوسع أكبر بكثير — أكثر من 14 مليون صورة عالية الدقة مصنفة باستخدام مجموعات مرادفات WordNet عبر أكثر من 20,000 فئة — ولكن Ultralytics تتدرب على مجموعة فرعية ILSVRC القياسية المكونة من 1,000 فئة والتي أصبحت المعيار الفعلي لـ التعلم العميق في رؤية الكمبيوتر.

نماذج ImageNet المدربة مسبقاً#

الميزات الرئيسية#

• توفر مجموعة بيانات Ultralytics imagenet 1,000 فئة مع 1,281,167 صورة تدريب و50,000 صورة تحقق (ILSVRC-2012)، وهو معيار التدريب المسبقي القياسي لتصنيف الصور.
• يتم تنظيم الفئات وفقًا لتسلسل WordNet الهرمي، حيث تتوافق كل فئة مع مجموعة مرادفات (مجموعة من المصطلحات المترادفة).
• يتم تدريب الصور بدقة 224x224، ومجموعة البيانات الكاملة عبارة عن تنزيل كبير بحجم ~144 جيجابايت.
• لقد كان تحدي التعرف البصري واسع النطاق السنوي من ImageNet (ILSVRC) فعالاً في دفع أبحاث الرؤية الحاسوبية قدماً.

هيكل مجموعة البيانات#

تستخدم مجموعة بيانات Ultralytics ImageNet تقسيم ILSVRC-2012:

يتم تخزين الصور في مجلدات لكل فئة مسماة بواسطة معرف مجموعة مرادفات WordNet (على سبيل المثال، n01440764)، وهو التخطيط الذي يتوقعه تدريب تصنيف Ultralytics. ترتبط كل فئة من الفئات الـ 1,000 بمجموعة مرادفات WordNet، ولا يوجد تقسيم اختبار منفصل، لذلك يتم استخدام مجموعة التحقق المكونة من 50,000 صورة لقياس الدقة.

تحدي التعرف البصري واسع النطاق من ImageNet (ILSVRC)#

أتاح تحدي التعرف البصري واسع النطاق ImageNet السنوي (ILSVRC) للباحثين تقييم الخوارزميات على مجموعة بيانات واسعة النطاق وموحدة مع مقاييس تقييم متسقة. لقد قاد تطورات كبرى في التعلم العميق لتصنيف الصور، واكتشاف الكائنات، وممهام الرؤية الأخرى — وأبرزها فوز AlexNet في عام 2012، والذي ساعد في إطلاق عصر التعلم العميق الحديث.

التطبيقات#

تُستخدم مجموعة بيانات ImageNet على نطاق واسع لتدريب وتقييم نماذج التعلم العميق لتصنيف الصور، واكتشاف الكائنات، وتحديد مواقع الكائنات. تم تطوير المعماريات البارزة مثل AlexNet، وVGG، وResNet وتقييمها جميعاً على ImageNet، وتبقى الأوزان المدربة مسبقاً على ImageNet نقطة بداية شائعة للتعلم المنقول عبر مهام الرؤية.

الاستخدام#

لتدريب نموذج تصنيف YOLO على ImageNet لمدة 100 حقبة تدريبية بحجم صورة 224x224، استخدم مقتطفات التعليمات البرمجية أدناه. للحصول على قائمة شاملة بالوسائط المتاحة، راجع صفحة التدريب للنموذج.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n-cls.pt")  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data="imagenet", epochs=100, imgsz=224)

يمكنك أيضاً إدارة مجموعات بيانات التصنيف وتشغيل التدريب في السحابة باستخدام منصة Ultralytics.

صور وشروحات توضيحية عينة#

تغطي مجموعة بيانات ImageNet فئات ILSVRC-2012 البالغ عددها 1,000 فئة، مما يوفر موردًا متنوعًا وشاملًا لتدريب وتقييم نماذج رؤية الكمبيوتر. إليك بعض الصور النموذجية من مجموعة البيانات:

الاقتباسات والشكر#

إذا كنت تستخدم مجموعة بيانات ImageNet في عملك البحثي أو التطويري، فيرجى الاستشهاد بالورقة البحثية التالية:

@article{ILSVRC15,
         author = {Olga Russakovsky and Jia Deng and Hao Su and Jonathan Krause and Sanjeev Satheesh and Sean Ma and Zhiheng Huang and Andrej Karpathy and Aditya Khosla and Michael Bernstein and Alexander C. Berg and Li Fei-Fei},
         title={ImageNet Large Scale Visual Recognition Challenge},
         year={2015},
         journal={International Journal of Computer Vision (IJCV)},
         volume={115},
         number={3},
         pages={211-252}
}

نود أن نشكر فريق ImageNet، بقيادة أولغا روساكوفسكي، وبيتشنغ دينغ، ولي فاي فاي، لإنشاء والحفاظ على مجموعة بيانات ImageNet كورد مورِد قيّم لمجتمع أبحاث التعلم الآلي ورؤية الكمبيوتر. لمزيد من المعلومات حول مجموعة بيانات ImageNet ومبتكريها، تفضل بزيارة موقع ImageNet.

الأسئلة الشائعة#