Ultralytics YOLO27:
Research

مجموعة بيانات ImageWoof#

مجموعة بيانات ImageWoof هي مجموعة فرعية من ImageNet تتكوّن من 10 فئات من سلالات الكلاب التي يصعب عمدًا التمييز بينها، وقد أنشأتها fast.ai لتوفير تحدٍّ أصعب لخوارزميات تصنيف الصور. وتحتوي على 12,954 صورة ملوّنة — 9,025 صورة للتدريب و3,929 صورة للتحقق — لسلالات مثل البيغل، والشيتزو، والغولدن ريتريفر، ما يدفع النماذج إلى تمييز الفروق الدقيقة بين الفئات بدلًا من تصنيف فئات الكائنات الواضحة.

الميزات الرئيسية#

  • تحتوي ImageWoof على 12,954 صورة موزعة على 10 سلالات من الكلاب: الترير الأسترالي، وترير الحدود، والسامويد، والبيغل، والشيتزو، وثعلب الصيد الإنجليزي، والريدجباك الروديسي، والدينغو، والغولدن ريتريفر، وكلب الراعي الإنجليزي القديم.
  • تأتي المجموعة بتقسيم محدد مسبقًا يضم 9,025 صورة للتدريب و3,929 صورة للتحقق، وهي متاحة بدقة مختلفة (الحجم الكامل، و320 بكسل، و160 بكسل) لتناسب الميزانيات الحاسوبية المختلفة.
  • وتتضمن أيضًا إصدارًا بعلامات صاخبة، ما يوفر سيناريو أكثر واقعية لا تكون فيه العلامات موثوقة دائمًا.

بنية مجموعة البيانات#

تأتي ImageWoof بتقسيم محدد مسبقًا للتدريب والتحقق، مع تخزين كل سلالة من سلالات الكلاب في مجلدها الخاص:

التقسيمالصورالفئات
التدريب9,02510
التحقق3,92910

نظرًا إلى أن الفئات العشر جميعها سلالات من الكلاب، فقد صُمم التقسيم لاختبار التصنيف الدقيق — أي التمييز بين الفئات المتشابهة بصريًا — بدلًا من التعرف العام على الكائنات في مجموعة بيانات ImageNet الكاملة.

التطبيقات#

تُستخدم مجموعة بيانات ImageWoof على نطاق واسع لتدريب نماذج التعلم العميق وتقييمها على فئات أكثر تعقيدًا وتشابهًا. ويتمثل التحدي فيها في الفروق الدقيقة بين سلالات الكلاب، ما يدفع حدود أداء النماذج وقدرتها على التعميم. وتكتسب قيمة خاصة في:

  • قياس أداء التصنيف على الفئات الدقيقة
  • اختبار متانة النماذج في مواجهة الفئات المتشابهة المظهر
  • تطوير خوارزميات قادرة على تمييز الفروق البصرية الدقيقة
  • تقييم التعلم بالنقل من المجالات العامة إلى المجالات المتخصصة

الاستخدام#

لتدريب نموذج تصنيف على مجموعة بيانات ImageWoof لمدة 100 حقبة وبحجم صورة 224x224، استخدم مقتطفات التعليمات البرمجية أدناه. للحصول على قائمة شاملة بالوسائط المتاحة، راجع صفحة التدريب الخاصة بالنموذج.

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)

إصدارات مجموعة البيانات#

تأتي ImageWoof بثلاثة أحجام لتلبية احتياجات البحث والميزانيات الحاسوبية المختلفة:

  1. الحجم الكامل (imagewoof): الإصدار الأصلي بالصور كاملة الحجم، وهو مثالي للتدريب النهائي وقياس الأداء.
  2. الحجم المتوسط (imagewoof320): صور معاد تحجيمها بحيث يبلغ طول الحافة القصوى 320 بكسل، وهي مناسبة للتدريب الأسرع من دون التضحية بأداء النموذج بدرجة كبيرة.
  3. الحجم الصغير (imagewoof160): صور معاد تحجيمها بحيث يبلغ طول الحافة القصوى 160 بكسل، وقد صُممت للنمذجة الأولية والتجارب السريعة عندما تكون سرعة التدريب أولوية.

لاستخدام هذه الإصدارات، استبدل ببساطة imagewoof في وسيطة 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 ستؤدي على الأرجح إلى دقة تصنيف أقل، لكنها وسيلة ممتازة لإجراء التكرارات بسرعة في المراحل الأولى من تطوير النموذج. ويمكنك أيضًا إدارة مجموعات بيانات التصنيف وتشغيل التدريب في السحابة باستخدام Ultralytics Platform.

الصور والتعليقات التوضيحية النموذجية#

تحتوي مجموعة بيانات ImageWoof على صور ملوّنة لسلالات مختلفة من الكلاب، ما يوفر مجموعة بيانات صعبة لمهام تصنيف الصور. فيما يلي بعض أمثلة الصور من مجموعة البيانات:

عينات من مجموعة بيانات تصنيف سلالات الكلاب ImageWoof

يوضح المثال الفروق والتشابهات الدقيقة بين سلالات الكلاب المختلفة، مسلطًا الضوء على تعقيد مهمة التصنيف وصعوبتها.

الاقتباسات والشكر والتقدير#

إذا استخدمت مجموعة بيانات ImageWoof في بحثك أو أعمال التطوير الخاصة بك، فالرجاء الإقرار بمنشئي مجموعة البيانات من خلال وضع رابط إلى المستودع الرسمي لمجموعة البيانات.

نود الإقرار بجهود فريق fast.ai في إنشاء ImageWoof وصيانتها بوصفها موردًا قيّمًا لمجتمع أبحاث التعلم الآلي والرؤية الحاسوبية. لمزيد من المعلومات حول ImageWoof، تفضل بزيارة مستودع مجموعة بيانات ImageWoof.

الأسئلة الشائعة#

  • مجموعة بيانات ImageWoof هي مجموعة فرعية صعبة من ImageNet تركز على 10 سلالات من الكلاب، وتحتوي على 12,954 صورة (9,025 صورة للتدريب و3,929 صورة للتحقق). أنشأتها fast.ai لدفع حدود نماذج تصنيف الصور، وتضم سلالات مثل البيغل، والشيتزو، والغولدن ريتريفر. وتتوفر مجموعة البيانات بدقات مختلفة (الحجم الكامل، و320 بكسل، و160 بكسل)، كما تتضمن علامات صاخبة لسيناريوهات تدريب أكثر واقعية، ما يجعلها مثالية لتطوير نماذج التعلم العميق المتقدمة.

  • تحتوي ImageWoof على 12,954 صورة إجمالًا — 9,025 صورة للتدريب و3,929 صورة للتحقق — موزعة على 10 سلالات من الكلاب: الترير الأسترالي، وترير الحدود، والسامويد، والبيغل، والشيتزو، وثعلب الصيد الإنجليزي، والريدجباك الروديسي، والدينغو، والغولدن ريتريفر، وكلب الراعي الإنجليزي القديم. وتُخزّن كل سلالة في مجلدها الخاص، وفق تنسيق التصنيف القياسي الذي تتوقعه Ultralytics.

  • لتدريب نموذج تصنيف على مجموعة بيانات ImageWoof باستخدام Ultralytics YOLO لمدة 100 حقبة وبحجم صورة 224x224، استخدم التعليمات البرمجية التالية:

    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 التدريب.

  • تأتي مجموعة بيانات ImageWoof بثلاثة أحجام:

    1. الحجم الكامل (imagewoof): مثالي للتدريب النهائي وقياس الأداء، ويحتوي على صور كاملة الحجم.
    2. الحجم المتوسط (imagewoof320): صور معاد تحجيمها بحيث يبلغ طول الحافة القصوى 320 بكسل، وهي مناسبة للتدريب الأسرع.
    3. الحجم الصغير (imagewoof160): صور معاد تحجيمها بحيث يبلغ طول الحافة القصوى 160 بكسل، وهي مثالية للنمذجة الأولية السريعة.

    استخدم هذه الإصدارات باستبدال imagewoof في وسيطة مجموعة البيانات وفقًا لذلك. لاحظ أن الصور الأصغر قد تؤدي إلى دقة تصنيف أقل، لكنها مفيدة لإجراء تكرارات أسرع.

  • تحاكي العلامات الصاخبة في مجموعة بيانات ImageWoof الظروف الواقعية التي لا تكون فيها العلامات دقيقة دائمًا. ويساعد تدريب النماذج باستخدام هذه البيانات على تطوير المتانة والقدرة على التعميم في مهام تصنيف الصور. كما يهيئ النماذج للتعامل بفاعلية مع البيانات الملتبسة أو الموسومة بصورة خاطئة، وهي حالة شائعة في التطبيقات العملية.

  • يكمن التحدي الرئيسي في ImageWoof في الفروق الدقيقة بين سلالات الكلاب التي تتضمنها. ولأنها تركز على 10 سلالات متقاربة، فإن التمييز بينها يتطلب نماذج تصنيف صور أكثر تقدمًا ودقة في الضبط. وهذا يجعل ImageWoof معيارًا ممتازًا لاختبار قدرات نماذج التعلم العميق وتحسيناتها.

المساهمون
GLglenn-jocher14JKjk4e3RAraimbekovm2PDpderrenger1HIhim2him21MAMatthewNoyce1RIRizwanMunawar1

التعليقات