انتقل إلى المحتوى

مجموعة بيانات ImageNette

مجموعة بيانات ImageNette هي مجموعة فرعية من مجموعة بيانات Imagenet الأكبر ، ولكنها تتضمن فقط 10 فئات يمكن تمييزها بسهولة. تم إنشاؤه لتوفير إصدار أسرع وأسهل في الاستخدام من Imagenet لتطوير البرامج والتعليم.

الميزات الرئيسية

  • يحتوي ImageNette على صور من 10 فئات مختلفة مثل tench ، English سبرينغر ، مشغل كاسيت ، منشار سلسلة ، كنيسة ، بوق فرنسي ، شاحنة قمامة ، مضخة غاز ، كرة غولف ، مظلة.
  • تتكون مجموعة البيانات من صور ملونة ذات أبعاد مختلفة.
  • يستخدم ImageNette على نطاق واسع للتدريب والاختبار في مجال التعلم الآلي ، خاصة لمهام تصنيف الصور.

هيكل مجموعة البيانات

تنقسم مجموعة بيانات ImageNette إلى مجموعتين فرعيتين:

  1. مجموعة التدريب: تحتوي هذه المجموعة الفرعية على عدة آلاف من الصور المستخدمة لتدريب نماذج التعلم الآلي. يختلف العدد الدقيق لكل فصل.
  2. مجموعة التحقق من الصحة: تتكون هذه المجموعة الفرعية من عدة مئات من الصور المستخدمة للتحقق من صحة النماذج المدربة وقياسها. مرة أخرى ، يختلف العدد الدقيق لكل فصل.

التطبيقات

تستخدم مجموعة بيانات ImageNette على نطاق واسع لتدريب وتقييم نماذج التعلم العميق في مهام تصنيف الصور ، مثل الشبكات العصبية التلافيفية (CNNs) ، والعديد من خوارزميات التعلم الآلي الأخرى. إن التنسيق المباشر لمجموعة البيانات والفصول المختارة جيدا تجعلها موردا مفيدا لكل من الممارسين المبتدئين وذوي الخبرة في مجال التعلم الآلي ورؤية الكمبيوتر.

استخدام

لتدريب نموذج على مجموعة بيانات ImageNette ل 100 حقبة بحجم صورة قياسي يبلغ 224 × 224، يمكنك استخدام مقتطفات التعليمات البرمجية التالية. للحصول على قائمة شاملة بالوسيطات المتاحة، ارجع إلى صفحة نموذج التدريب .

مثال القطار

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n-cls.pt")  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data="imagenette", epochs=100, imgsz=224)
# Start training from a pretrained *.pt model
yolo detect train data=imagenette model=yolov8n-cls.pt epochs=100 imgsz=224

عينة من الصور والتعليقات التوضيحية

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

صورة عينة مجموعة البيانات

يعرض المثال تنوع وتعقيد الصور في مجموعة بيانات ImageNette ، مما يسلط الضوء على أهمية مجموعة البيانات المتنوعة لتدريب نماذج تصنيف الصور القوية.

إيماجن نيت 160 وإيماجن نيت 320

للحصول على نماذج أولية وتدريب أسرع، تتوفر مجموعة بيانات ImageNette أيضا بحجمين مخفضين: ImageNette160 وImageNette320. تحافظ مجموعات البيانات هذه على نفس الفئات والبنية مثل مجموعة بيانات ImageNette الكاملة ، ولكن يتم تغيير حجم الصور إلى بعد أصغر. على هذا النحو ، فإن هذه الإصدارات من مجموعة البيانات مفيدة بشكل خاص لاختبار النموذج الأولي ، أو عندما تكون الموارد الحسابية محدودة.

لاستخدام مجموعات البيانات هذه ، ما عليك سوى استبدال "imagenette" ب "imagenette160" أو "imagenette320" في أمر التدريب. توضح مقتطفات التعليمات البرمجية التالية هذا:

مثال القطار مع ImageNette160

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n-cls.pt")  # load a pretrained model (recommended for training)

# Train the model with ImageNette160
results = model.train(data="imagenette160", epochs=100, imgsz=160)
# Start training from a pretrained *.pt model with ImageNette160
yolo detect train data=imagenette160 model=yolov8n-cls.pt epochs=100 imgsz=160

مثال القطار مع ImageNette320

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n-cls.pt")  # load a pretrained model (recommended for training)

# Train the model with ImageNette320
results = model.train(data="imagenette320", epochs=100, imgsz=320)
# Start training from a pretrained *.pt model with ImageNette320
yolo detect train data=imagenette320 model=yolov8n-cls.pt epochs=100 imgsz=320

تسمح هذه الإصدارات الأصغر من مجموعة البيانات بالتكرارات السريعة أثناء عملية التطوير مع الاستمرار في توفير مهام تصنيف الصور القيمة والواقعية.

الاستشهادات والشكر

إذا كنت تستخدم مجموعة بيانات ImageNette في أعمال البحث أو التطوير الخاصة بك ، فيرجى الإقرار بها بشكل مناسب. لمزيد من المعلومات حول مجموعة بيانات ImageNette، تفضل بزيارة صفحة GitHub لمجموعة بيانات ImageNette.



Created 2023-11-12, Updated 2024-06-02
Authors: glenn-jocher (5)

التعليقات