Link to this sectionمجموعة بيانات ImageNette#

تعد مجموعة بيانات ImageNette مجموعة فرعية من ImageNet تحتوي على 10 فئات يسهل تمييزها، وقد أنشأتها fast.ai لتوفير نسخة أسرع وأسهل في الاستخدام من ImageNet لأغراض تطوير البرمجيات والتعليم. وهي تحتوي على 13,394 صورة ملونة - 9,469 للتدريب و3,925 للتحقق - تغطي فئات مثل سمك التنش (tench)، وكلب السبرينغر الإنجليزي (English springer)، ومشغل الكاسيت (cassette player)، والبوق الفرنسي (French horn)، مما يسمح لنماذج تصنيف الصور بالتدريب في دقائق بدلاً من الساعات التي تتطلبها مجموعة ImageNet الكاملة ذات الـ 1,000 فئة.

Link to this sectionالميزات الرئيسية#

• تحتوي ImageNette على 13,394 صورة موزعة على 10 فئات: سمك التنش، كلب السبرينغر الإنجليزي، مشغل الكاسيت، المنشار الآلي، الكنيسة، البوق الفرنسي، شاحنة القمامة، مضخة الغاز، كرة الجولف، والمظلة.
• تأتي المجموعة مع تقسيم محدد مسبقاً يضم 9,469 صورة ملونة للتدريب و3,925 صورة للتحقق بأبعاد متفاوتة.
• تجعل الفئات العشر المتباعدة بوضوح تدريب ImageNette سريعاً ويسهل فهمه، لذا فهي تستخدم على نطاق واسع في النمذجة الأولية وتدريس تصنيف الصور.

Link to this sectionهيكل مجموعة البيانات#

تأتي ImageNette مع تقسيم محدد مسبقاً للتدريب والتحقق، حيث يتم تخزين كل فئة في مجلد خاص بها:

يختلف العدد الدقيق للصور لكل فئة، مما يوفر توزيعاً واقعياً للتدريب السريع والقياس دون الحاجة إلى حجم مجموعة بيانات ImageNet الكاملة.

Link to this sectionالتطبيقات#

تُستخدم مجموعة بيانات ImageNette على نطاق واسع لتدريب وتقييم نماذج التعلم العميق في مهام تصنيف الصور، مثل الشبكات العصبية التلافيفية (CNNs) وغيرها من خوارزميات تعلم الآلة. تنسيقها المباشر وفئاتها المختارة بعناية يجعلها مورداً مفيداً للمبتدئين وذوي الخبرة في مجال تعلم الآلة والرؤية الحاسوبية.

Link to this sectionالاستخدام#

لتدريب نموذج على مجموعة بيانات ImageNette لمدة 100 حقبة بحجم صورة قياسي يبلغ 224x224، يمكنك استخدام مقتطفات الكود التالية. للحصول على قائمة شاملة بالوسيطات المتاحة، ارجع إلى صفحة التدريب الخاصة بالنموذج.

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="imagenette", epochs=100, imgsz=224)

Link to this sectionصور وشروحات توضيحية عينة#

تحتوي مجموعة بيانات ImageNette على صور ملونة لأشياء ومشاهد متنوعة، مما يوفر مجموعة بيانات متنوعة لمهام تصنيف الصور. فيما يلي بعض الأمثلة للصور من مجموعة البيانات:

يوضح المثال تنوع وتعقيد الصور في مجموعة بيانات ImageNette، مما يسلط الضوء على أهمية وجود مجموعة بيانات متنوعة لتدريب نماذج تصنيف صور قوية.

Link to this sectionImageNette160 و ImageNette320#

لغرض النمذجة الأولية والتدريب بشكل أسرع، تتوفر ImageNette أيضاً بحجمين مخفضين: ImageNette160 و ImageNette320. تحافظ مجموعات البيانات هذه على نفس الفئات والهياكل الخاصة بـ ImageNette الكاملة، ولكن يتم تغيير حجم الصور إلى طول حافة أقصى أصغر. وهي مفيدة بشكل خاص للاختبارات الأولية للنماذج أو عندما تكون الموارد الحسابية محدودة.

لاستخدام مجموعات البيانات هذه، ما عليك سوى استبدال imagenette بـ imagenette160 أو imagenette320 في أمر التدريب. توضح مقتطفات الكود التالية ذلك:

from ultralytics import YOLO

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

# Train the model with ImageNette160
results = model.train(data="imagenette160", epochs=100, imgsz=160)

from ultralytics import YOLO

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

# Train the model with ImageNette320
results = model.train(data="imagenette320", epochs=100, imgsz=320)

تسمح هذه النسخ الأصغر من مجموعة البيانات بإجراء تكرارات سريعة أثناء التطوير مع الاستمرار في توفير مهام واقعية لتصنيف الصور. يمكنك أيضاً إدارة مجموعات بيانات التصنيف وتشغيل التدريب في السحابة باستخدام منصة Ultralytics.

Link to this sectionالاقتباسات والشكر#

إذا كنت تستخدم مجموعة بيانات ImageNette في أبحاثك أو عملك التطويري، فيرجى الإشارة إليها بشكل مناسب. لمزيد من المعلومات حول ImageNette، تفضل بزيارة صفحة GitHub الخاصة بمجموعة بيانات ImageNette.

نود أن نشكر فريق fast.ai لإنشاء وصيانة ImageNette كمورد قيم لمجتمع أبحاث تعلم الآلة والرؤية الحاسوبية.

Link to this sectionالأسئلة الشائعة#

Link to this sectionما هي مجموعة بيانات ImageNette؟#

تعد مجموعة بيانات ImageNette مجموعة فرعية مبسطة من ImageNet تحتوي على 10 فئات يسهل تمييزها مثل سمك التنش، وكلب السبرينغر الإنجليزي، والبوق الفرنسي. وهي تحتوي على 13,394 صورة (9,469 للتدريب و3,925 للتحقق) وقد أنشأتها fast.ai لتقديم مجموعة بيانات أكثر قابلية للإدارة لتدريب وتقييم نماذج تصنيف الصور بكفاءة. وهذا يجعلها مفيدة بشكل خاص للتطوير السريع للبرمجيات والأغراض التعليمية في تعلم الآلة والرؤية الحاسوبية.

Link to this sectionكم عدد الصور والفئات التي تحتوي عليها ImageNette؟#

تحتوي ImageNette على 13,394 صورة إجمالاً - 9,469 للتدريب و3,925 للتحقق - موزعة على 10 فئات: سمك التنش، كلب السبرينغر الإنجليزي، مشغل الكاسيت، المنشار الآلي، الكنيسة، البوق الفرنسي، شاحنة القمامة، مضخة الغاز، كرة الجولف، والمظلة. يتم تخزين كل فئة في مجلد خاص بها، متبعة تنسيق التصنيف القياسي الذي تتوقعه Ultralytics.

Link to this sectionكيف يمكنني استخدام مجموعة بيانات ImageNette لتدريب نموذج YOLO؟#

لتدريب نموذج YOLO على ImageNette لمدة 100 حقبة، استخدم الأوامر التالية. تأكد من إعداد بيئة Ultralytics YOLO.

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="imagenette", epochs=100, imgsz=224)

لمزيد من التفاصيل، راجع صفحة وثائق التدريب.

Link to this sectionلماذا يجب أن أستخدم ImageNette لمهام تصنيف الصور؟#

تعد مجموعة بيانات ImageNette مفيدة لعدة أسباب:

• سريعة وبسيطة: مع وجود 10 فئات فقط وحوالي 13,000 صورة، فهي أقل تعقيداً وتستهلك وقتاً أقل بكثير في التدريب مقارنة بـ ImageNet الكاملة.
• الاستخدام التعليمي: مثالية لتعلم وتدريس أساسيات تصنيف الصور، لأنها تتطلب قدرة حاسوبية ووقتاً أقل.
• تعدد الاستخدامات: تُستخدم على نطاق واسع لتدريب وقياس أداء نماذج تصنيف الصور، خاصة الشبكات العصبية التلافيفية (CNNs).

لمزيد من التفاصيل حول تدريب النماذج وإدارة مجموعات البيانات، استكشف قسم هيكل مجموعة البيانات.

Link to this sectionهل يمكن استخدام مجموعة بيانات ImageNette بأحجام صور مختلفة؟#

نعم، تتوفر ImageNette أيضاً في نسختين تم تغيير حجمهما، وهما ImageNette160 و ImageNette320، حيث تم تغيير حجم صورهما إلى أطوال حواف قصوى أصغر. تساعد هذه النسخ في إجراء نمذجة أولية أسرع وهي مفيدة بشكل خاص عندما تكون الموارد الحسابية محدودة.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n-cls.pt")

# Train the model with ImageNette160
results = model.train(data="imagenette160", epochs=100, imgsz=160)

لمزيد من المعلومات، ارجع إلى التدريب باستخدام ImageNette160 و ImageNette320.

Link to this sectionما هي بعض التطبيقات العملية لمجموعة بيانات ImageNette؟#

تُستخدم مجموعة بيانات ImageNette على نطاق واسع في:

• البيئات التعليمية: لتدريس المبتدئين أساسيات تعلم الآلة والرؤية الحاسوبية.
• تطوير البرمجيات: للنمذجة الأولية السريعة وتطوير نماذج تصنيف الصور.
• أبحاث التعلم العميق: لتقييم وقياس أداء نماذج التعلم العميق المختلفة، خاصة الشبكات العصبية التلافيفية (CNNs).

استكشف قسم التطبيقات للاطلاع على حالات الاستخدام المفصلة.