Ultralytics YOLO27:
Get Started
Research

مجموعة بيانات ImageNette#

مجموعة بيانات ImageNette هي مجموعة فرعية من ImageNet تضم 10 فئات يسهل تمييزها، أنشأتها fast.ai لتوفير نسخة أسرع وأسهل استخدامًا من ImageNet لتطوير البرمجيات والتعليم. وتحتوي على 13,394 صورة ملونة — 9,469 للتدريب و3,925 للتحقق — تشمل فئات مثل سمك التينش، والإنجليزي سبرينغر، ومشغّل الكاسيت، والبوق الفرنسي، ما يتيح تدريب نماذج تصنيف الصور في دقائق بدلًا من الساعات التي تتطلبها ImageNet الكاملة ذات الفئات الألف.

الميزات الرئيسية#

  • تضم ImageNette عدد 13,394 صورة موزعة على 10 فئات: سمك التينش، والإنجليزي سبرينغر، ومشغّل الكاسيت، والمنشار الجنزيري، والكنيسة، والبوق الفرنسي، وشاحنة القمامة، ومضخة الوقود، وكرة الغولف، والمظلة.
  • تأتي المجموعة بتقسيم محدد مسبقًا يضم 9,469 صورة ملونة للتدريب و3,925 صورة للتحقق، بأبعاد متنوعة.
  • تجعل الفئات العشر المتميزة بوضوح ImageNette سريعة التدريب وسهلة الفهم، لذا تُستخدم على نطاق واسع في إنشاء النماذج الأولية وتعليم تصنيف الصور.

بنية مجموعة البيانات#

تأتي ImageNette بتقسيم محدد مسبقًا إلى التدريب والتحقق، مع تخزين كل فئة في مجلد مستقل:

المجموعة الفرعيةالصورالفئات
التدريب9,46910
التحقق3,92510

يختلف العدد الدقيق للصور بين الفئات، ما يوفر توزيعًا واقعيًا للتدريب السريع وقياس الأداء دون حجم مجموعة بيانات ImageNet الكاملة.

التطبيقات#

تُستخدم مجموعة بيانات ImageNette على نطاق واسع لتدريب نماذج التعلّم العميق وتقييمها في مهام تصنيف الصور، مثل الشبكات العصبية الالتفافية (CNNs) وخوارزميات التعلّم الآلي الأخرى. ويجعل تنسيقها المباشر وفئاتها المختارة بعناية منها موردًا مفيدًا للممارسين المبتدئين وذوي الخبرة في التعلّم الآلي والرؤية الحاسوبية.

الاستخدام#

لتدريب نموذج على مجموعة بيانات ImageNette لمدة 100 حقبة وبحجم صورة قياسي قدره 224x224، يمكنك استخدام مقتطفات التعليمات البرمجية التالية. للاطلاع على قائمة شاملة بالوسائط المتاحة، راجع صفحة التدريب الخاصة بالنموذج.

مثال على التدريب
from ultralytics import YOLO

# ⁨تحميل نموذج⁩
model = YOLO("yolo26n-cls.pt")  # ⁨تحميل نموذج مدرّب مسبقًا (موصى به للتدريب)⁩

# ⁨تدريب النموذج⁩
results = model.train(data="imagenette", epochs=100, imgsz=224)

صور وتعليقات توضيحية نموذجية#

تحتوي مجموعة بيانات ImageNette على صور ملونة لأشياء ومشاهد متنوعة، ما يوفر مجموعة بيانات متنوعة لمهام تصنيف الصور. فيما يلي بعض الأمثلة على صور المجموعة:

صور نموذجية لمجموعة بيانات تصنيف ImageNette

يوضح المثال تنوع الصور وتعقيدها في مجموعة بيانات ImageNette، مسلطًا الضوء على أهمية تنوع مجموعة البيانات لتدريب نماذج قوية لتصنيف الصور.

ImageNette160 وImageNette320#

لتسريع إنشاء النماذج الأولية والتدريب، تتوفر ImageNette أيضًا بحجمين مخفضين: ImageNette160 وImageNette320. تحتفظ مجموعتا البيانات هاتان بالفئات والبنية نفسها الموجودة في ImageNette الكاملة، لكن تُصغّر الصور فيهما إلى طول حافة أقصى أصغر. وهما مفيدتان بوجه خاص للاختبار الأولي للنماذج أو عند محدودية الموارد الحاسوبية.

لاستخدام مجموعات البيانات هذه، استبدل ببساطة imagenette بـ imagenette160 أو imagenette320 في أمر التدريب. توضح مقتطفات التعليمات البرمجية التالية ذلك:

مثال على التدريب باستخدام ImageNette160
from ultralytics import YOLO

# ⁨تحميل نموذج⁩
model = YOLO("yolo26n-cls.pt")  # ⁨تحميل نموذج مدرّب مسبقًا (موصى به للتدريب)⁩

# ⁨درّب النموذج باستخدام ImageNette160⁩
results = model.train(data="imagenette160", epochs=100, imgsz=160)
مثال على التدريب باستخدام ImageNette320
from ultralytics import YOLO

# ⁨تحميل نموذج⁩
model = YOLO("yolo26n-cls.pt")  # ⁨تحميل نموذج مدرّب مسبقًا (موصى به للتدريب)⁩

# ⁨درّب النموذج باستخدام ImageNette320⁩
results = model.train(data="imagenette320", epochs=100, imgsz=320)

تتيح هذه الإصدارات الأصغر من مجموعة البيانات تكرارًا سريعًا أثناء التطوير، مع الاستمرار في توفير مهام واقعية لتصنيف الصور. ويمكنك أيضًا إدارة مجموعات بيانات التصنيف وتشغيل التدريب سحابيًا باستخدام منصة Ultralytics.

الاستشهادات والشكر والتقدير#

إذا استخدمت مجموعة بيانات ImageNette في أبحاثك أو أعمال التطوير، فيُرجى الإقرار بمصدرها على النحو المناسب. لمزيد من المعلومات عن ImageNette، تفضل بزيارة صفحة مجموعة بيانات ImageNette على GitHub.

نود أن نعرب عن تقديرنا لفريق fast.ai لإنشاء ImageNette وصيانتها بوصفها موردًا قيّمًا لمجتمع أبحاث التعلّم الآلي والرؤية الحاسوبية.

الأسئلة الشائعة#

  • مجموعة بيانات ImageNette هي مجموعة فرعية مبسطة من ImageNet، تضم 10 فئات يسهل تمييزها مثل سمك التينش والإنجليزي سبرينغر والبوق الفرنسي. وتحتوي على 13,394 صورة (9,469 للتدريب و3,925 للتحقق)، وأنشأتها fast.ai لتوفير مجموعة بيانات أسهل إدارةً من أجل تدريب نماذج تصنيف الصور وتقييمها بكفاءة. وهذا يجعلها مفيدة خصوصًا للتطوير السريع للبرمجيات والأغراض التعليمية في التعلّم الآلي والرؤية الحاسوبية.

  • تحتوي ImageNette على 13,394 صورة إجمالًا — 9,469 للتدريب و3,925 للتحقق — موزعة على 10 فئات: سمك التينش، والإنجليزي سبرينغر، ومشغّل الكاسيت، والمنشار الجنزيري، والكنيسة، والبوق الفرنسي، وشاحنة القمامة، ومضخة الوقود، وكرة الغولف، والمظلة. وتُخزّن كل فئة في مجلد مستقل، وفق تخطيط التصنيف القياسي الذي تتوقعه Ultralytics.

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

    مثال على التدريب
    from ultralytics import YOLO

# ⁨تحميل نموذج⁩
model = YOLO("yolo26n-cls.pt")  # ⁨تحميل نموذج مدرّب مسبقًا (موصى به للتدريب)⁩

# ⁨تدريب النموذج⁩
results = model.train(data="imagenette", epochs=100, imgsz=224)

    لمزيد من التفاصيل، راجع صفحة توثيق التدريب.

  • تتميز مجموعة بيانات ImageNette بعدة مزايا:

    • سريعة وبسيطة: مع 10 فئات ونحو 13,000 صورة فقط، يكون التدريب عليها أقل تعقيدًا واستهلاكًا للوقت بكثير من التدريب على ImageNet الكاملة.
    • استخدام تعليمي: مثالية لتعلّم أساسيات تصنيف الصور وتعليمها، لأنها تتطلب قدرة حاسوبية ووقتًا أقل.
    • متعددة الاستخدامات: تُستخدم على نطاق واسع لتدريب نماذج تصنيف الصور وقياس أدائها، ولا سيما الشبكات العصبية الالتفافية (CNNs).

    لمزيد من التفاصيل عن تدريب النماذج وإدارة مجموعات البيانات، استكشف قسم بنية مجموعة البيانات.

  • نعم، تتوفر ImageNette أيضًا بنسختين مُعاد تحجيمهما، هما ImageNette160 وImageNette320، حيث تُصغّر الصور فيهما إلى أطوال حواف قصوى أصغر. تساعد هاتان النسختان على إنشاء النماذج الأولية بسرعة أكبر، وتكونان مفيدتين خصوصًا عند محدودية الموارد الحاسوبية.

    مثال على التدريب باستخدام ImageNette160
    from ultralytics import YOLO

# ⁨تحميل نموذج⁩
model = YOLO("yolo26n-cls.pt")

# ⁨درّب النموذج باستخدام ImageNette160⁩
results = model.train(data="imagenette160", epochs=100, imgsz=160)

    لمزيد من المعلومات، راجع التدريب باستخدام ImageNette160 وImageNette320.

  • تُستخدم مجموعة بيانات ImageNette على نطاق واسع في:

    • البيئات التعليمية: لتعليم المبتدئين أساسيات التعلّم الآلي والرؤية الحاسوبية.
    • تطوير البرمجيات: لإنشاء نماذج تصنيف الصور الأولية وتطويرها بسرعة.
    • أبحاث التعلّم العميق: لتقييم أداء نماذج التعلّم العميق المختلفة وقياسه، ولا سيما الشبكات العصبية الالتفافية (CNNs).

    استكشف قسم التطبيقات للاطلاع على حالات استخدام مفصلة.

المساهمون
GLglenn-jocher14RAraimbekovm2PDpderrenger1MAMatthewNoyce1RIRizwanMunawar1JKjk4e1AMambitious-octopus1

التعليقات