ImageNet-Datensatz

ImageNet ist eine umfangreiche Datenbank mit beschrifteten Bildern, die für die Forschung zur visuellen Objekterkennung entwickelt wurde. Sie enthält über 14 Millionen Bilder, wobei jedes Bild mit WordNet-Synsets annotiert ist. Damit ist sie eine der umfangreichsten Ressourcen, die für das Training von Deep-Learning-Modellen für Computer-Vision-Aufgaben zur Verfügung stehen.

ImageNet vortrainierte Modelle

Wesentliche Merkmale

• ImageNet enthält über 14 Millionen hochauflösende Bilder, die Tausende von Objektkategorien abdecken.
• Der Datensatz ist entsprechend der WordNet-Hierarchie organisiert, wobei jedes Synset eine Kategorie darstellt.
• ImageNet wird in großem Umfang für Training und Benchmarking im Bereich der Computer Vision verwendet, insbesondere für Bildklassifizierungs- und Objekterkennungsaufgaben.
• Die jährlich stattfindende ImageNet Large Scale Visual Recognition Challenge (ILSVRC) hat die Bildverarbeitungsforschung entscheidend vorangebracht.

Struktur des Datensatzes

Der ImageNet-Datensatz ist anhand der WordNet-Hierarchie organisiert. Jeder Knoten in der Hierarchie steht für eine Kategorie, und jede Kategorie wird durch ein Synset (eine Sammlung von synonymen Begriffen) beschrieben. Die Bilder in ImageNet sind mit einem oder mehreren Synsets versehen und stellen eine reichhaltige Ressource für das Training von Modellen zur Erkennung verschiedener Objekte und ihrer Beziehungen dar.

ImageNet Large Scale Visual Recognition Challenge (ILSVRC)

Die jährlich stattfindende ImageNet Large Scale Visual Recognition Challenge (ILSVRC) ist ein wichtiges Ereignis im Bereich der Computer Vision. Sie bietet Forschern und Entwicklern eine Plattform, um ihre Algorithmen und Modelle anhand eines großen Datensatzes mit standardisierten Bewertungsmaßstäben zu bewerten. Die ILSVRC hat zu bedeutenden Fortschritten bei der Entwicklung von Deep-Learning-Modellen für die Bildklassifizierung, Objekterkennung und andere Computer-Vision-Aufgaben geführt.

Anwendungen

Der ImageNet-Datensatz wird häufig zum Trainieren und Evaluieren von Deep-Learning-Modellen für verschiedene Computer-Vision-Aufgaben wie Bildklassifizierung, Objekterkennung und Objektlokalisierung verwendet. Einige beliebte Deep-Learning-Architekturen, wie AlexNet, VGG und ResNet, wurden entwickelt und mit dem ImageNet-Datensatz verglichen.

Verwendung

Um ein Deep Learning-Modell auf dem ImageNet-Datensatz für 100 Epochen mit einer Bildgröße von 224x224 zu trainieren, können Sie die folgenden Codeschnipsel verwenden. Eine umfassende Liste der verfügbaren Argumente finden Sie auf der Seite Modelltraining.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n-cls.pt")  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data="imagenet", epochs=100, imgsz=224)

# Start training from a pretrained *.pt model
yolo classify train data=imagenet model=yolo11n-cls.pt epochs=100 imgsz=224

Beispielbilder und -kommentare

Der ImageNet-Datensatz enthält hochauflösende Bilder, die Tausende von Objektkategorien abdecken und somit einen vielfältigen und umfangreichen Datensatz für das Training und die Bewertung von Computer-Vision-Modellen darstellen. Hier sind einige Beispiele für Bilder aus dem Datensatz:

Das Beispiel zeigt die Vielfalt und Komplexität der Bilder im ImageNet-Datensatz und unterstreicht die Bedeutung eines vielfältigen Datensatzes für das Training robuster Computer-Vision-Modelle.

Zitate und Danksagungen

Wenn Sie den ImageNet-Datensatz in Ihrer Forschungs- oder Entwicklungsarbeit verwenden, zitieren Sie bitte das folgende Dokument:

@article{ILSVRC15,
         author = {Olga Russakovsky and Jia Deng and Hao Su and Jonathan Krause and Sanjeev Satheesh and Sean Ma and Zhiheng Huang and Andrej Karpathy and Aditya Khosla and Michael Bernstein and Alexander C. Berg and Li Fei-Fei},
         title={ImageNet Large Scale Visual Recognition Challenge},
         year={2015},
         journal={International Journal of Computer Vision (IJCV)},
         volume={115},
         number={3},
         pages={211-252}
}

Wir möchten dem ImageNet-Team unter der Leitung von Olga Russakovsky, Jia Deng und Li Fei-Fei für die Erstellung und Pflege des ImageNet-Datensatzes danken, der eine wertvolle Ressource für die Forschungsgemeinschaft im Bereich des maschinellen Lernens und der Computer Vision darstellt. Weitere Informationen über den ImageNet-Datensatz und seine Schöpfer finden Sie auf der ImageNet-Website.

FAQ

Was ist der ImageNet-Datensatz und wie wird er in der Computer Vision verwendet?

Der ImageNet-Datensatz ist eine groß angelegte Datenbank mit über 14 Millionen hochauflösenden Bildern, die mit WordNet-Synsets kategorisiert sind. Er wird in der Forschung zur visuellen Objekterkennung, einschließlich Bildklassifizierung und Objekterkennung, ausgiebig genutzt. Die Annotationen und das schiere Volumen des Datensatzes bieten eine reichhaltige Ressource für das Training von Deep-Learning-Modellen. Modelle wie AlexNet, VGG und ResNet wurden auf der Grundlage von ImageNet trainiert und getestet, was die Bedeutung dieses Datensatzes für die Weiterentwicklung der Computer Vision verdeutlicht.

Wie kann ich ein vortrainiertes YOLO Modell zur Bildklassifizierung im ImageNet-Datensatz verwenden?

Führen Sie die folgenden Schritte aus, um ein vortrainiertes Ultralytics YOLO Modell für die Bildklassifizierung im ImageNet-Datensatz zu verwenden:

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n-cls.pt")  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data="imagenet", epochs=100, imgsz=224)

# Start training from a pretrained *.pt model
yolo classify train data=imagenet model=yolo11n-cls.pt epochs=100 imgsz=224

Ausführlichere Schulungsanweisungen finden Sie auf unserer Schulungsseite.

Warum sollte ich die vortrainierten Modelle von Ultralytics YOLO11 für meine ImageNet-Datensatz-Projekte verwenden?

Ultralytics YOLO11 vortrainierte Modelle bieten modernste Leistung in Bezug auf Geschwindigkeit und Genauigkeit für verschiedene Computer-Vision-Aufgaben. So ist beispielsweise das Modell YOLO11n-cls mit einer Top-1-Genauigkeit von 69,0 % und einer Top-5-Genauigkeit von 88,3 % für Echtzeitanwendungen optimiert. Vorgefertigte Modelle reduzieren die für das Training von Grund auf erforderlichen Rechenressourcen und beschleunigen die Entwicklungszyklen. Erfahren Sie mehr über die Leistungsmetriken der YOLO11 Modelle im Abschnitt ImageNet Pretrained Models.

Wie ist der ImageNet-Datensatz aufgebaut und warum ist er wichtig?

Der ImageNet-Datensatz ist nach der WordNet-Hierarchie organisiert, wobei jeder Knoten in der Hierarchie eine Kategorie darstellt, die durch ein Synset (eine Sammlung synonymer Begriffe) beschrieben wird. Diese Struktur ermöglicht detaillierte Annotationen und ist daher ideal für das Training von Modellen zur Erkennung einer Vielzahl von Objekten. Die Vielfalt und der Anmerkungsreichtum von ImageNet machen es zu einem wertvollen Datensatz für die Entwicklung robuster und verallgemeinerbarer Deep-Learning-Modelle. Weitere Informationen über diese Organisation finden Sie im Abschnitt Datensatzstruktur.

Welche Rolle spielt die ImageNet Large Scale Visual Recognition Challenge (ILSVRC) in der Computer Vision?

Die jährlich stattfindende ImageNet Large Scale Visual Recognition Challenge (ILSVRC) hat entscheidend zu Fortschritten in der Computer Vision beigetragen, indem sie eine wettbewerbsfähige Plattform für die Bewertung von Algorithmen anhand eines großen, standardisierten Datensatzes bietet. Sie bietet standardisierte Bewertungsmetriken und fördert Innovation und Entwicklung in Bereichen wie Bildklassifizierung, Objekterkennung und Bildsegmentierung. Die Herausforderung hat die Grenzen dessen, was mit Deep Learning und Computer Vision Technologien möglich ist, kontinuierlich erweitert.

📅 Erstellt vor 1 Jahr ✏️ Aktualisiert vor 1 Monat

Kommentare