ImageNet10 Datensatz#
Das Ultralytics ImageNet10-Dataset (data="imagenet10") ist eine winzige Teilmenge von 24 Bildern von ImageNet, die die ersten 10 Klassen umfasst und für Continuous-Integration-Tests, Plausibilitätsprüfungen (Sanity Checks) sowie die schnelle Validierung von Trainingspipelines entwickelt wurde. Es enthält 12 Trainings- und 12 Validierungsbilder, die in derselben WordNet-Synset-Ordnerstruktur wie das vollständige Dataset organisiert sind, sodass ein Modell, das auf ImageNet trainiert wird, auch auf ImageNet10 unverändert trainiert werden kann – in Sekunden statt in Stunden. Es ist darauf ausgelegt zu überprüfen, ob eine Pipeline von Anfang bis Ende durchläuft, und nicht für das Benchmarking von Genauigkeit.
Hauptfunktionen#
- ImageNet10 enthält nur 24 Bilder (12 für das Training, 12 für die Validierung), die aus den ersten 10 Klassen von ImageNet stammen.
- Der Datensatz ist gemäß der WordNet-Hierarchie organisiert und spiegelt die klassenspezifischen Synset-Ordner des vollständigen ImageNet-Datensatzes wider.
- Es ist speziell für Continuous Integration-Tests, Plausibilitätsprüfungen und das schnelle Debugging von Trainingspipelines bei Computer Vision-Aufgaben konzipiert.
- Obwohl er nicht für das Benchmarking von Modellen konzipiert ist, bietet er einen schnellen Hinweis auf die grundlegende Funktionalität und Korrektheit eines Modells.
Datensatzstruktur#
ImageNet10 wird mit einem vordefinierten Split geliefert, der die ersten 10 Klassen des vollständigen ImageNet-Datasets (n01440764 Tench bis n01518878 Strauß) verwendet:
| Split | Bilder | Klassen |
|---|---|---|
| Trainieren | 12 | 10 |
| Validation | 12 | 10 |
Jede der 10 Klassen ist ein WordNet-Synset (eine Menge synonymer Begriffe), und die Bilder befinden sich in klassenspezifischen Ordnern, die nach der Synset-ID benannt sind – genau das Layout, das Ultralytics für das Klassifizierungstraining erwartet. Dies macht ImageNet10 zu einem kompakten, strukturell getreuen Ersatz für den vollständigen Datensatz, wenn getestet werden soll, ob ein Modell das erwartete Ordnerformat erkennt.
Erkunde ImageNet10 on Ultralytics Platform, um die nach Klassen gruppierten Bilder zu durchstöbern, die Klassenverteilung im Tab Diagramme anzuzeigen und es zu klonen, um dein eigenes Modell in der Cloud zu trainieren.
Anwendungen#
Das ImageNet10-Dataset ist nützlich zum schnellen Testen und Debuggen von Computer-Vision-Modellen und -Pipelines. Seine geringe Größe ermöglicht eine schnelle Iteration, wodurch es ideal für Continuous Integration-Tests und Plausibilitätsprüfungen ist. Es ist auch praktisch für schnelle Vortests neuer Modelle oder Code-Änderungen, bevor zu vollständigen Durchläufen mit dem kompletten ImageNet-Dataset übergegangen wird.
Verwendung#
Um ein Klassifizierungsmodell auf dem ImageNet10-Dataset mit einer Bildgröße von 224x224 zu testen, verwende die Code-Snippets unten. Eine umfassende Liste der verfügbaren Argumente findest du auf der Modellseite für Training.
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="imagenet10", epochs=5, imgsz=224)Beispielbilder und Annotationen#
Der ImageNet10 Datensatz enthält einen Teilsatz von Bildern aus dem ursprünglichen ImageNet Datensatz, die so ausgewählt wurden, dass sie die ersten 10 Klassen repräsentieren und eine vielfältige, aber kompakte Ressource für schnelles Testen und Evaluieren bieten.
Das Beispiel zeigt die Vielfalt und Komplexität der Bilder im ImageNet10 Datensatz und hebt seine Nützlichkeit für Plausibilitätsprüfungen und das schnelle Testen von Computer-Vision-Modellen hervor.
Zitate und Danksagungen#
Wenn du den ImageNet10 Datensatz in deiner Forschung oder Entwicklungsarbeit verwendest, zitiere bitte das ursprüngliche ImageNet-Paper:
@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-Datasets danken. Die von Ultralytics erstellte Teilmenge ImageNet10 ist eine wertvolle Ressource für das schnelle Testen und Debuggen in der Forschungscommunity für Machine Learning und Computer Vision. Weitere Informationen über das ImageNet-Dataset und dessen Ersteller findest du auf der ImageNet-Website.
FAQ#
Das ImageNet10-Dataset ist eine kompakte Teilmenge der ImageNet-Datenbank, die von Ultralytics für schnelle CI-Tests, Plausibilitätsprüfungen und die Auswertung von Trainingspipelines erstellt wurde. Es enthält 24 Bilder (12 für das Training und 12 für die Validierung) aus den ersten 10 Klassen von ImageNet. Trotz seiner geringen Größe bewahrt es die WordNet-Ordnerstruktur des vollständigen Datasets, wodurch es ideal für schnelle Pipeline-Tests, aber nicht für das Benchmarking der Modellgenauigkeit geeignet ist.
ImageNet10 enthält insgesamt 24 Bilder – 12 für das Training und 12 für die Validierung –, verteilt auf die ersten 10 Klassen von ImageNet. Jede Klasse ist ein WordNet-Synset, das in einem eigenen Ordner gespeichert ist, sodass der Datensatz das Layout des vollständigen ImageNet Datensatzes in einem Bruchteil der Größe widerspiegelt.
Um dein Klassifizierungsmodell auf ImageNet10 mit einer Bildgröße von 224x224 zu testen, verwende die folgenden Code-Snippets.
Testbeispielfrom 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="imagenet10", epochs=5, imgsz=224)Eine umfassende Liste der verfügbaren Argumente findest du auf der Training-Seite.
ImageNet10 wurde speziell für CI-Tests, Plausibilitätsprüfungen und schnelle Auswertungen in Deep Learning-Pipelines entwickelt. Seine Größe von 24 Bildern ermöglicht eine nahezu sofortige Iteration, was es ideal für Continuous Integration macht, bei der Geschwindigkeit entscheidend ist. Durch die Beibehaltung der Ordnerstruktur des vollständigen ImageNet-Datasets bietet es eine zuverlässige Überprüfung der grundlegenden Funktionalität und Korrektheit eines Modells, ohne den Overhead der Verarbeitung eines großen Datasets.
Obwohl sowohl ImageNet10 als auch ImageNette Teilmengen von ImageNet sind, erfüllen sie unterschiedliche Zwecke. ImageNet10 enthält nur 24 Bilder aus den ersten 10 Klassen, was es extrem leichtgewichtig für CI-Tests und schnelle Plausibilitätsprüfungen macht. Im Gegensatz dazu enthält ImageNette über 13.000 Bilder in 10 leicht unterscheidbaren Klassen, wodurch es sich für das eigentliche Modelltraining und die Entwicklung eignet. ImageNet10 überprüft die Funktionsfähigkeit der Pipeline, während ImageNette besser für aussagekräftige, aber im Vergleich zu vollständigem ImageNet schnellere Trainingsexperimente geeignet ist.