مجموعة بيانات ImageNette#
مجموعة بيانات ImageNette هي مجموعة فرعية من ImageNet تضم 10 فئات يسهل تمييزها، وقد أنشأتها fast.ai لتوفير إصدار أسرع وأسهل استخدامًا من ImageNet لتطوير البرمجيات والتعليم. وتحتوي على 13,394 صورة ملونة — 9,469 صورة للتدريب و3,925 صورة للتحقق — تغطي فئات مثل سمكة تنش، وكلب سبرينغر إنجليزي، ومشغل أشرطة كاسيت، وبوق فرنسي، بحيث تُدرَّب نماذج تصنيف الصور في دقائق بدلًا من الساعات التي يتطلبها ImageNet الكامل ذي الفئات البالغ عددها 1,000 فئة.
الميزات الرئيسية#
- تحتوي ImageNette على 13,394 صورة موزعة على 10 فئات: سمكة تنش، وكلب سبرينغر إنجليزي، ومشغل أشرطة كاسيت، ومنشار سلسلة، وكنيسة، وبوق فرنسي، وشاحنة قمامة، ومضخة وقود، وكرة غولف، ومظلة.
- تأتي مع تقسيم محدد مسبقًا يضم 9,469 صورة ملونة للتدريب و3,925 صورة للتحقق، بأبعاد متنوعة.
- تجعل الفئات العشر المنفصلة بوضوح من ImageNette مجموعة سريعة التدريب وسهلة التحليل، ولذلك تُستخدم على نطاق واسع في إنشاء النماذج الأولية وتعليم تصنيف الصور.
بنية مجموعة البيانات#
تأتي ImageNette مع تقسيم محدد مسبقًا إلى التدريب والتحقق، حيث تُخزَّن كل فئة في مجلدها الخاص:
| التقسيم | الصور | الفئات |
|---|---|---|
| التدريب | 9,469 | 10 |
| التحقق | 3,925 | 10 |
يختلف العدد الدقيق للصور حسب الفئة، ما يوفر توزيعًا واقعيًا للتدريب السريع وإجراء المقارنات المعيارية دون الحاجة إلى حجم مجموعة بيانات ImageNet الكاملة.
التطبيقات#
تُستخدم مجموعة بيانات ImageNette على نطاق واسع لتدريب نماذج التعلم العميق وتقييمها في مهام تصنيف الصور، مثل الشبكات العصبية الالتفافية (CNNs) وخوارزميات التعلم الآلي الأخرى. ويجعل تنسيقها المباشر وفئاتها المختارة بعناية منها موردًا عمليًا للممارسين المبتدئين وذوي الخبرة في التعلم الآلي والرؤية الحاسوبية.
الاستخدام#
لتدريب نموذج على مجموعة بيانات ImageNette لمدة 100 حقبة وبحجم صورة قياسي يبلغ 224x224، يمكنك استخدام مقتطفات التعليمات البرمجية التالية. للحصول على قائمة شاملة بالوسائط المتاحة، راجع 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)الصور والتعليقات التوضيحية النموذجية#
تحتوي مجموعة بيانات ImageNette على صور ملونة لأجسام ومشاهد متنوعة، ما يوفر مجموعة بيانات متنوعة لمهام تصنيف الصور. فيما يلي بعض أمثلة الصور من مجموعة البيانات:
يوضح المثال تنوع وتعقيد الصور في مجموعة بيانات ImageNette، مسلطًا الضوء على أهمية استخدام مجموعة بيانات متنوعة لتدريب نماذج قوية لتصنيف الصور.
ImageNette160 وImageNette320#
لتسريع إنشاء النماذج الأولية والتدريب، تتوفر ImageNette أيضًا بحجمين أصغر: ImageNette160 وImageNette320. تحافظ مجموعتا البيانات هاتان على الفئات والبنية نفسهما الموجودين في ImageNette الكاملة، لكن تُغيَّر أبعاد الصور بحيث يصبح طول الحافة القصوى أصغر. وهما مفيدتان خصوصًا للاختبار الأولي للنماذج أو عند محدودية الموارد الحاسوبية.
لاستخدام مجموعتي البيانات هاتين، استبدل imagenette بـ imagenette160 أو imagenette320 في أمر التدريب. توضح مقتطفات التعليمات البرمجية 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)تتيح هذه الإصدارات الأصغر من مجموعة البيانات إجراء تكرارات سريعة أثناء التطوير، مع الاستمرار في توفير مهام واقعية لتصنيف الصور. ويمكنك أيضًا إدارة مجموعات بيانات التصنيف وتشغيل التدريب في السحابة باستخدام Ultralytics Platform.
الاقتباسات والشكر والتقدير#
إذا استخدمت مجموعة بيانات ImageNette في أبحاثك أو أعمال التطوير، فالرجاء الإشارة إليها على النحو المناسب. لمزيد من المعلومات حول ImageNette، تفضل بزيارة صفحة مجموعة بيانات ImageNette على GitHub.
نود توجيه الشكر إلى فريق fast.ai لإنشاء ImageNette وصيانتها بوصفها موردًا قيّمًا لمجتمع أبحاث التعلم الآلي والرؤية الحاسوبية.
الأسئلة الشائعة#
مجموعة بيانات ImageNette هي مجموعة فرعية مبسطة من ImageNet تضم 10 فئات يسهل تمييزها، مثل سمكة تنش، وكلب سبرينغر إنجليزي، وبوق فرنسي. وتحتوي على 13,394 صورة (9,469 صورة للتدريب و3,925 صورة للتحقق)، وقد أنشأتها 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 التعلم الآلي والرؤية الحاسوبية.
تحتوي ImageNette على 13,394 صورة إجمالًا — 9,469 صورة للتدريب و3,925 صورة للتحقق — موزعة على 10 فئات: سمكة تنش، وكلب سبرينغر إنجليزي، ومشغل أشرطة كاسيت، ومنشار سلسلة، وكنيسة، وبوق فرنسي، وشاحنة قمامة، ومضخة وقود، وكرة غولف، ومظلة. تُخزَّن كل فئة في مجلدها الخاص، 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 التدريبfrom 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.
تتميز مجموعة بيانات ImageNette بعدة مزايا:
- سريعة وبسيطة: بوجود 10 فئات ونحو 13,000 صورة فقط، فإن تدريبها أقل تعقيدًا ويستغرق وقتًا أقل بكثير من تدريب ImageNet الكاملة.
- الاستخدام التعليمي: مثالية لتعلم أساسيات تصنيف الصور وتعليمها، لأنها تتطلب قدرة حاسوبية ووقتًا أقل.
- متعددة الاستخدامات: تُستخدم على نطاق واسع لتدريب نماذج تصنيف الصور وإجراء المقارنات المعيارية لها، وخصوصًا الشبكات العصبية الالتفافية (CNNs).
لمزيد من التفاصيل حول تدريب النماذج وإدارة مجموعات البيانات، استكشف قسم بنية مجموعة البيانات.
نعم، تتوفر ImageNette أيضًا بإصدارين مُعادَي التحجيم، هما ImageNette160 وImageNette320، حيث تُعاد أبعاد الصور إلى أطوال حواف قصوى أصغر. ويساعد هذان الإصداران على تسريع إنشاء النماذج الأولية، ويفيدان خصوصًا عند محدودية الموارد الحاسوبية.
مثال التدريب باستخدام ImageNette160from 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، راجع التدريب باستخدام ImageNette160 وImageNette320.
تُستخدم مجموعة بيانات ImageNette على نطاق واسع في:
- البيئات التعليمية: لتعليم المبتدئين أساسيات التعلم الآلي والرؤية الحاسوبية.
- تطوير البرمجيات: لإنشاء نماذج تصنيف الصور وتطويرها بسرعة.
- أبحاث التعلم العميق: لتقييم أداء نماذج التعلم العميق المتنوعة وإجراء المقارنات المعيارية لها، وخصوصًا الشبكات العصبية الالتفافية (CNNs).
استكشف قسم التطبيقات للاطلاع على حالات استخدام مفصلة.