Link to this sectionمجموعة بيانات ImageNette#

تُعد مجموعة بيانات ImageNette جزءاً فرعياً من مجموعة بيانات ImageNet الأكبر، لكنها تتضمن فقط 10 فئات يسهل تمييزها. تم إنشاؤها لتوفير نسخة أسرع وأسهل استخداماً من ImageNet لتطوير البرمجيات والأغراض التعليمية.

Link to this sectionالميزات الرئيسية#

• تحتوي ImageNette على صور من 10 فئات مختلفة مثل سمكة التنش، كلب السبرينغر الإنجليزي، مشغل الكاسيت، المنشار الآلي، الكنيسة، الهورن الفرنسي، شاحنة القمامة، مضخة الغاز، كرة الجولف، والمظلة.
• تتكون مجموعة البيانات من صور ملونة ذات أبعاد متفاوتة.
• تُستخدم ImageNette على نطاق واسع للتدريب والاختبار في مجال تعلم الآلة، وخاصة لمهام تصنيف الصور.

Link to this sectionهيكل مجموعة البيانات#

تنقسم مجموعة بيانات ImageNette إلى مجموعتين فرعيتين:

1. مجموعة التدريب: تحتوي هذه المجموعة الفرعية على عدة آلاف من الصور المستخدمة لتدريب نماذج تعلم الآلة. يختلف العدد الدقيق لكل فئة.
2. مجموعة التحقق: تتكون هذه المجموعة الفرعية من عدة مئات من الصور المستخدمة للتحقق من النماذج المدربة وتقييم أدائها. ومجدداً، يختلف العدد الدقيق لكل فئة.

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)، والعديد من خوارزميات تعلم الآلة الأخرى. يجعل التنسيق المباشر لمجموعة البيانات والفئات المختارة بعناية منها مورداً مفيداً للممارسين المبتدئين وذوي الخبرة على حد سواء في مجال تعلم الآلة ورؤية الحاسوب.

Link to this sectionالاستخدام#

لتدريب نموذج على مجموعة بيانات ImageNette لمدة 100 حقبة (epoch) بحجم صورة قياسي يبلغ 224x224، يمكنك استخدام مقتطفات التعليمات البرمجية التالية. للحصول على قائمة شاملة بالوسيطات 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)

Link to this sectionصور وعينات تعليقات توضيحية#

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

يعرض 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#

للتطوير والتدريب السريع، تتوفر مجموعة بيانات ImageNette أيضاً بحجمين مصغرين: ImageNette160 و ImageNette320. تحافظ مجموعات البيانات هذه على نفس الفئات والهيكل الخاص بمجموعة بيانات ImageNette الكاملة، ولكن يتم تغيير حجم الصور إلى أبعاد أصغر. وبناءً على ذلك، تعد هذه الإصدارات من مجموعة البيانات مفيدة بشكل خاص للاختبار الأولي للنموذج، أو عندما تكون الموارد الحوسبية محدودة.

لاستخدام مجموعات البيانات هذه، ما عليك سوى استبدال '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)

تسمح هذه الإصدارات الأصغر من مجموعة البيانات بإجراء تكرارات سريعة أثناء عملية التطوير مع الاستمرار في توفير مهام تصنيف صور قيمة وواقعية.

Link to this sectionالاقتباسات والشكر#

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

Link to this sectionالأسئلة الشائعة#

Link to this sectionما هي مجموعة بيانات ImageNette؟#

تُعد مجموعة بيانات ImageNette جزءاً فرعياً مبسطاً من مجموعة بيانات ImageNet الأكبر، وتضم 10 فئات فقط يسهل تمييزها مثل سمكة التنش، كلب السبرينغر الإنجليزي، والهورن الفرنسي. تم إنشاؤها لتوفير مجموعة بيانات أكثر قابلية للإدارة من أجل التدريب والتقييم الفعال لنماذج تصنيف الصور. تعد مجموعة البيانات هذه مفيدة بشكل خاص لتطوير البرمجيات السريع والأغراض التعليمية في تعلم الآلة ورؤية الحاسوب.

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

لتدريب نموذج YOLO على مجموعة بيانات ImageNette لمدة 100 حقبة، يمكنك استخدام 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؟#

تتميز مجموعة بيانات ImageNette بكونها مفيدة لعدة أسباب:

• سريعة وبسيطة: تحتوي على 10 فئات فقط، مما يجعلها أقل تعقيداً وأقل استهلاكاً للوقت مقارنة بمجموعات البيانات الأكبر.
• استخدام تعليمي: مثالية لتعلم وتدريس أساسيات تصنيف الصور لأنها تتطلب قدرة حوسبية ووقتاً أقل.
• تعدد الاستخدامات: تُستخدم على نطاق واسع لتدريب ومقارنة نماذج تعلم الآلة المختلفة، خاصة في تصنيف الصور.

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

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

نعم، تتوفر مجموعة بيانات ImageNette أيضاً في إصدارين معدلي الحجم: ImageNette160 و ImageNette320. تساعد هذه الإصدارات في التسريع من عملية التطوير الأولي (prototyping) وهي مفيدة بشكل خاص عندما تكون الموارد الحوسبية 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، راجع التدريب باستخدام ImageNette160 و ImageNette320.

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

تُستخدم مجموعة بيانات ImageNette على نطاق واسع في:

• الإعدادات التعليمية: لتعليم المبتدئين في مجال تعلم الآلة ورؤية الحاسوب.
• تطوير البرمجيات: للتطوير السريع ونمذجة نماذج تصنيف الصور.
• أبحاث التعلم العميق: لتقييم ومقارنة أداء نماذج التعلم العميق المختلفة، خاصة الشبكات العصبية التلافيفية (CNNs).

استكشف قسم التطبيقات للاطلاع على حالات الاستخدام المفصلة.