رؤية YOLO 2026:
Research

مجموعة بيانات ImageWoof#

مجموعة بيانات ImageWoof هي مجموعة فرعية من ImageNet تتكون من 10 فئات من سلالات الكلاب التي يصعب تمييزها عن بعضها البعض عمداً، وقد أنشأتها fast.ai لتكون تحدياً أكثر صعوبة لخوارزميات image classification. وهي تحتوي على 12,954 صورة ملونة — 9,025 للتدريب و3,929 للتحقق من الصحة — عبر سلالات مثل Beagle وShih-Tzu وGolden retriever، مما يدفع النماذج إلى تمييز الفروق الدقيقة الدقيقة بدلاً من الفئات الواضحة للكائنات.

الميزات الرئيسية#

  • تحتوي ImageWoof على 12,954 صورة عبر 10 سلالات من الكلاب: Australian terrier، وBorder terrier، وSamoyed، وBeagle، وShih-Tzu، وEnglish foxhound، وRhodesian ridgeback، وDingo، وGolden retriever، وOld English sheepdog.
  • تأتي المجموعة مع تقسيم محدد مسبقًا مكون من 9,025 صورة تدريب و 3,929 صورة تحقق، وهي متاحة بدقة مختلفة (الحجم الكامل، 320 بكسل، 160 بكسل) لتناسب الميزانيات الحسابية المختلفة.
  • كما أنها تتضمن إصدارًا بتصنيفات مشوشة (noisy labels)، مما يوفر سيناريو أكثر واقعية حيث لا تكون التصنيفات موثوقة دائمًا.

هيكل مجموعة البيانات#

تأتي ImageWoof مع تقسيم محدد مسبقًا للتدريب/التحقق، حيث يتم تخزين كل سلالة كلاب في مجلد خاص بها:

التقسيم (Split)الصورالفئات
التدريب9,02510
التحقق3,92910

نظرًا لأن جميع الفئات العشر هي سلالات كلاب، فقد تم تصميم التقسيم لاختبار التصنيف الدقيق - أي التمييز بين الفئات المتشابهة بصريًا - بدلاً من التعرف العام على الأشياء في مجموعة بيانات ImageNet الكاملة.

التطبيقات#

تُستخدم مجموعة بيانات ImageWoof على نطاق واسع لتدريب وتقييم نماذج deep learning على فئات أكثر تعقيداً وتشابهاً. يكمن التحدي فيها في الفروق الدقيقة بين سلالات الكلاب، مما يدفع حدود أداء النماذج وتعميمها. وهي ذات قيمة خاصة في ما يلي:

  • قياس أداء التصنيف على الفئات الدقيقة
  • اختبار متانة النموذج مقابل الفئات المتشابهة في المظهر
  • تطوير خوارزميات قادرة على تمييز الاختلافات البصرية الدقيقة
  • تقييم التعلم بنقل المعرفة من النطاقات العامة إلى المحددة

الاستخدام#

لتدريب نموذج تصنيف على مجموعة بيانات ImageWoof لمدة 100 epochs بحجم صورة يبلغ 224x224، استخدم مقتطفات التعليمات البرمجية أدناه. للحصول على قائمة شاملة بالوسائط المتاحة، راجع صفحة Training للنموذج.

مثال على التدريب
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="imagewoof", epochs=100, imgsz=224)

متغيرات مجموعة البيانات#

تأتي ImageWoof بثلاثة أحجام لتلبية احتياجات البحث والميزانيات الحسابية المختلفة:

  1. الحجم الكامل (imagewoof): الإصدار الأصلي الذي يحتوي على صور بالحجم الكامل، وهو مثالي للتدريب النهائي وتقييم الأداء.
  2. الحجم المتوسط (imagewoof320): صور تم تغيير حجمها بحيث يكون أقصى طول للحافة 320 بكسل، وهي مناسبة للتدريب الأسرع دون التضحية بشكل ملحوظ بأداء النموذج.
  3. الحجم الصغير (imagewoof160): صور تم تغيير حجمها بحيث يكون أقصى طول للحافة 160 بكسل، وهي مصممة للنماذج الأولية السريعة والتجريب حيث تكون سرعة التدريب أولوية.

لاستخدام هذه المتغيرات، قم ببساطة استبدال imagewoof في وسائط مجموعة البيانات بـ imagewoof320 أو imagewoof160. على سبيل المثال:

مثال
from ultralytics import YOLO

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

# For medium-sized dataset
model.train(data="imagewoof320", epochs=100, imgsz=224)

# For small-sized dataset
model.train(data="imagewoof160", epochs=100, imgsz=224)

لاحظ أن الصور الأصغر حجماً ستحقق على الأرجح accuracy تصنيف أقل، لكنها تمثل طريقة ممتازة للتكرار بسرعة في المراحل المبكرة من تطوير النموذج. يمكنك أيضاً إدارة مجموعات بيانات التصنيف وتشغيل التدريب في السحابة باستخدام Ultralytics Platform.

صور وشروحات توضيحية عينة#

تحتوي مجموعة بيانات ImageWoof على صور ملونة لسلالات كلاب متنوعة، مما يوفر مجموعة بيانات مليئة بالتحديات لمهام تصنيف الصور. فيما يلي بعض الأمثلة للصور من مجموعة البيانات:

ImageWoof dog breed classification dataset samples

يعرض المثال الاختلافات والتشابهات الدقيقة بين سلالات الكلاب المختلفة، مما يسلط الضوء على تعقيد وصعوبة مهمة التصنيف.

الاقتباسات والشكر#

إذا كنت تستخدم مجموعة بيانات ImageWoof في بحثك أو عملك التطويري، فيرجى تقدير مبدعي مجموعة البيانات من خلال ربطها بـ official dataset repository.

نود أن نشكر فريق fast.ai على إنشاء وصيانة ImageWoof كمورد قيم لمجتمع أبحاث machine learning وcomputer vision. لمزيد من المعلومات حول ImageWoof، تفضل بزيارة ImageWoof dataset repository.

الأسئلة الشائعة#

  • مجموعة بيانات ImageWoof هي مجموعة فرعية صعبة من ImageNet تركز على 10 سلالات من الكلاب، وتحتوي على 12,954 صورة (9,025 للتدريب و3,929 للتحقق من الصحة). تم إنشاؤها بواسطة fast.ai لدفع حدود نماذج تصنيف الصور، وهي تتميز بسلالات مثل Beagle وShih-Tzu وGolden retriever. مجموعة البيانات متاحة بدقة مختلفة (الحجم الكامل، 320 بكسل، 160 بكسل) وتتضمن حتى تسميات صاخبة سيناريوهات تدريب أكثر واقعية، مما يجعلها مثالية لتطوير نماذج التعلم العميق المتقدمة.

  • تحتوي ImageWoof على 12,954 صورة إجمالاً - 9,025 للتدريب و 3,929 للتحقق - عبر 10 سلالات من الكلاب: Australian terrier، وBorder terrier، وSamoyed، وBeagle، وShih-Tzu، وEnglish foxhound، وRhodesian ridgeback، وDingo، وGolden retriever، وOld English sheepdog. يتم تخزين كل سلالة في مجلد خاص بها، متبعةً تخطيط التصنيف القياسي الذي تتوقعه Ultralytics.

  • لتدريب نموذج تصنيف على مجموعة بيانات ImageWoof باستخدام Ultralytics YOLO لمدة 100 عصر وبحجم صورة 224x224، استخدم الكود التالي:

    مثال على التدريب
    from ultralytics import YOLO

model = YOLO("yolo26n-cls.pt")  # Load a pretrained model
results = model.train(data="imagewoof", epochs=100, imgsz=224)

    لمزيد من التفاصيل حول وسائط التدريب المتاحة، راجع صفحة Training.

  • تأتي مجموعة بيانات ImageWoof بثلاثة أحجام:

    1. الحجم الكامل (imagewoof): مثالي للتدريب النهائي وتقييم الأداء، ويحتوي على صور بالحجم الكامل.
    2. الحجم المتوسط (imagewoof320): صور معدلة الحجم بأقصى طول للحافة يبلغ 320 بكسل، وهي مناسبة للتدريب الأسرع.
    3. الحجم الصغير (imagewoof160): صور معدلة الحجم بأقصى طول للحافة يبلغ 160 بكسل، وهي مثالية للنماذج الأولية السريعة.

    استخدم هذه الإصدارات عن طريق استبدال imagewoof في وسائط مجموعة البيانات وفقاً لذلك. لاحظ أن الصور الأصغر قد تعطي accuracy تصنيف أقل ولكنها مفيدة للتكرارات الأسرع.

  • تحاكي التصنيفات المشوشة في مجموعة بيانات ImageWoof ظروف العالم الحقيقي حيث لا تكون التصنيفات دقيقة دائمًا. يساعد تدريب النماذج بهذه البيانات على تطوير المتانة والتعميم في مهام تصنيف الصور. فهي تجهز النماذج للتعامل مع البيانات الغامضة أو المصنفة بشكل خاطئ بفعالية، وهو أمر كثيرًا ما يتم مواجهته في التطبيقات العملية.

  • يكمن التحدي الأساسي لـ ImageWoof في الفروق الدقيقة بين سلالات الكلاب التي تتضمنها. نظراً لأنه يركز على 10 سلالات مترابطة بشكل وثيق، فإن التمييز بينها يتطلب نماذج تصنيف صور أكثر تقدمجاً ودقة. هذا يجعل ImageWoof معياراً ممتازاً لاختبار قدرات وتحسينات نماذج deep learning.

المساهمون
GLglenn-jocher14JKjk4e3RAraimbekovm2PDpderrenger1HIhim2him21MAMatthewNoyce1RIRizwanMunawar1

التعليقات