Link to this sectionمجموعة بيانات ImageWoof#

مجموعة بيانات ImageWoof هي مجموعة فرعية من ImageNet تتكون من 10 فئات من سلالات الكلاب التي يصعب التمييز بينها عمدًا، وقد أنشأتها fast.ai كتحدٍ أكثر صعوبة لخوارزميات تصنيف الصور. تحتوي المجموعة على 12,954 صورة ملونة - 9,025 للتدريب و 3,929 للتحقق - عبر سلالات مثل Beagle وShih-Tzu وGolden retriever، مما يدفع النماذج لتمييز الاختلافات الدقيقة بدلاً من فئات الأشياء الواضحة.

Link to this sectionالميزات 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.

Link to this sectionهيكل مجموعة البيانات#

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

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.

Link to this sectionالتطبيقات#

تُستخدم مجموعة بيانات ImageWoof على نطاق واسع لتدريب وتقييم نماذج التعلم العميق على فئات أكثر تعقيدًا وتشابهًا. يكمن التحدي فيها في الاختلافات الدقيقة بين سلالات الكلاب، مما يدفع حدود أداء النموذج وقدرته على التعميم. وهي ذات قيمة خاصة في:

• 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

Link to this sectionالاستخدام#

لتدريب نموذج تصنيف على مجموعة بيانات ImageWoof لمدة 100 عصر بحجم صورة 224x224، استخدم مقتطفات الكود أدناه. 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="imagewoof", epochs=100, imgsz=224)

Link to this sectionمتغيرات مجموعة البيانات#

تأتي ImageWoof بثلاثة أحجام لتلبية احتياجات البحث والميزانيات الحسابية المختلفة:

1. الحجم الكامل (imagewoof): الإصدار الأصلي بصور كاملة الحجم، مثالي للتدريب النهائي وقياس الأداء.
2. الحجم المتوسط (imagewoof320): صور تم تغيير حجمها بحد أقصى لطول الحافة يبلغ 320 بكسل، مناسبة للتدريب الأسرع دون التضحية بشكل كبير بأداء النموذج.
3. الحجم الصغير (imagewoof160): صور تم تغيير حجمها بحد أقصى لطول الحافة يبلغ 160 بكسل، مصممة للنماذج الأولية السريعة والتجارب حيث تكون سرعة التدريب ذات أولوية.

لاستخدام هذه المتغيرات، ما عليك سوى استبدال imagewoof في وسيط مجموعة البيانات بـ imagewoof320 أو imagewoof160. على سبيل المثال:

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 من المرجح أن تؤدي إلى انخفاض في دقة التصنيف، لكنها طريقة ممتازة للتكرار بسرعة في المراحل المبكرة من تطوير النموذج. يمكنك أيضًا إدارة مجموعات بيانات التصنيف وتشغيل التدريب في السحابة باستخدام Ultralytics Platform.

Link to this sectionصور 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:

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

Link to this sectionالاقتباسات والشكر#

إذا كنت تستخدم مجموعة بيانات ImageWoof في عملك البحثي أو التطويري، يرجى الإشارة إلى منشئي مجموعة البيانات من خلال وضع رابط إلى مستودع مجموعة البيانات الرسمي.

نود أن نشكر فريق fast.ai لإنشاء وصيانة ImageWoof كمورد قيم لمجتمع أبحاث التعلم الآلي والرؤية الحاسوبية. لمزيد من المعلومات حول ImageWoof، تفضل بزيارة مستودع مجموعة بيانات ImageWoof.

Link to this sectionالأسئلة الشائعة#

Link to this sectionما هي مجموعة بيانات ImageWoof في Ultralytics؟#

مجموعة بيانات ImageWoof هي مجموعة فرعية صعبة من ImageNet تركز على 10 سلالات من الكلاب، وتحتوي على 12,954 صورة (9,025 للتدريب و 3,929 للتحقق). تم إنشاؤها بواسطة fast.ai لدفع حدود نماذج تصنيف الصور، وتتميز بسلالات مثل Beagle وShih-Tzu وGolden retriever. تتوفر مجموعة البيانات بدقة مختلفة (الحجم الكامل، 320 بكسل، 160 بكسل) وتتضمن حتى تصنيفات مشوشة لسيناريوهات تدريب أكثر واقعية، مما يجعلها مثالية لتطوير نماذج تعلم عميق متقدمة.

Link to this sectionكم عدد الصور وسلالات الكلاب التي تحتوي عليها ImageWoof؟#

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.

Link to this sectionكيف يمكنني تدريب نموذج باستخدام مجموعة بيانات ImageWoof مع Ultralytics YOLO؟#

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

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.

Link to this sectionما هي إصدارات مجموعة بيانات ImageWoof المتاحة؟#

تأتي مجموعة بيانات ImageWoof بثلاثة أحجام:

1. الحجم الكامل (imagewoof): مثالي للتدريب النهائي وقياس الأداء، ويحتوي على صور بالحجم الكامل.
2. الحجم المتوسط (imagewoof320): صور تم تغيير حجمها بحد أقصى لطول الحافة يبلغ 320 بكسل، مناسبة للتدريب الأسرع.
3. الحجم الصغير (imagewoof160): صور تم تغيير حجمها بحد أقصى لطول الحافة يبلغ 160 بكسل، مثالية للنماذج الأولية السريعة.

استخدم هذه الإصدارات عن طريق استبدال imagewoof في وسيط مجموعة البيانات وفقًا لذلك. لاحظ أن الصور الأصغر قد تؤدي إلى انخفاض في دقة التصنيف ولكنها مفيدة للتكرار السريع.

Link to this sectionكيف تفيد التصنيفات المشوشة (noisy labels) في مجموعة بيانات ImageWoof التدريب؟#

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.

Link to this sectionما هي التحديات الرئيسية لاستخدام مجموعة بيانات ImageWoof؟#

يكمن التحدي الرئيسي لـ ImageWoof في الاختلافات الدقيقة بين سلالات الكلاب التي تتضمنها. نظرًا لأنها تركز على 10 سلالات مترابطة بشكل وثيق، فإن التمييز بينها يتطلب نماذج تصنيف صور أكثر تقدمًا ودقة. وهذا يجعل ImageWoof معيارًا ممتازًا لاختبار قدرات وتحسينات نماذج التعلم العميق.