ImageNet10-Datensatz#
Der Ultralytics-Datensatz ImageNet10 (data="imagenet10") ist eine winzige Teilmenge von ImageNet mit 24 Bildern aus den ersten 10 Klassen. Er wurde für Tests zur kontinuierlichen Integration, Plausibilitätsprüfungen und die schnelle Validierung von Trainingspipelines entwickelt. Er umfasst 12 Trainings- und 12 Validierungsbilder, die in derselben WordNet-Synset-Ordnerstruktur wie der vollständige Datensatz organisiert sind. Dadurch kann ein Modell, das mit ImageNet trainiert wird, unverändert auch mit ImageNet10 trainiert werden – in Sekunden statt in Stunden. Der Datensatz dient dazu, die durchgängige Funktionsfähigkeit einer Pipeline zu überprüfen, nicht zum Benchmarking der Genauigkeit.
Wichtige Funktionen#
- ImageNet10 enthält nur 24 Bilder (12 für das Training und 12 für die Validierung) aus den ersten 10 Klassen von ImageNet.
- Der Datensatz ist gemäß der WordNet-Hierarchie organisiert und bildet die klassenbezogenen Synset-Ordner des vollständigen ImageNet-Datensatzes nach.
- Der Datensatz wurde speziell für Tests zur kontinuierlichen Integration, Plausibilitätsprüfungen und die schnelle Fehlersuche in Trainingspipelines für Aufgaben der Computer Vision entwickelt.
- Obwohl der Datensatz nicht für das Benchmarking von Modellen vorgesehen ist, liefert er schnell einen Hinweis auf die grundlegende Funktionsfähigkeit und Korrektheit eines Modells.
Datensatzstruktur#
ImageNet10 wird mit einer vordefinierten Aufteilung ausgeliefert und verwendet die ersten 10 Klassen des vollständigen ImageNet-Datensatzes (n01440764 tench bis n01518878 ostrich):
| Aufteilung | Bilder | Klassen |
|---|---|---|
| Trainieren | 12 | 10 |
| Validierung | 12 | 10 |
Jede der 10 Klassen ist ein WordNet-Synset (eine Menge synonym verwendeter Begriffe), und die Bilder liegen in klassenbezogenen Ordnern, die nach der Synset-ID benannt sind – genau in der Struktur, die das Klassifikationstraining von Ultralytics erwartet. Dadurch ist ImageNet10 beim Testen, ob ein Modell das erwartete Ordnerformat erkennt, ein kompakter und strukturell originalgetreuer Ersatz für den vollständigen Datensatz.
Besuche ImageNet10 auf der Ultralytics Platform, um die nach Klassen gruppierten Bilder zu durchsuchen, die Klassenverteilung im Tab Charts anzuzeigen und den Datensatz zu klonen, um dein eigenes Modell in der Cloud zu trainieren.
Anwendungen#
Der ImageNet10-Datensatz eignet sich zum schnellen Testen und Debuggen von Computer-Vision-Modellen und -Pipelines. Seine geringe Größe ermöglicht schnelle Iterationen und macht ihn ideal für Tests zur kontinuierlichen Integration und Plausibilitätsprüfungen. Außerdem eignet er sich für schnelle vorläufige Tests neuer Modelle oder Codeänderungen, bevor du mit dem vollständigen ImageNet-Datensatz zu umfangreichen Durchläufen übergehst.
Verwendung#
Um ein Klassifikationsmodell mit dem ImageNet10-Datensatz bei einer Bildgröße von 224x224 zu testen, verwende die folgenden Codeausschnitte. Eine vollständige Liste der verfügbaren Argumente findest du auf der Seite Training des Modells.
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 eine Teilmenge von Bildern aus dem ursprünglichen ImageNet-Datensatz. Sie wurde so ausgewählt, dass sie dessen erste 10 Klassen repräsentiert und eine vielfältige, zugleich kompakte Ressource für schnelle Tests und Evaluierungen bereitstellt.
Das Beispiel zeigt die Vielfalt und Komplexität der Bilder im ImageNet10-Datensatz und verdeutlicht dessen Nutzen für Plausibilitätsprüfungen und schnelle Tests von Computer-Vision-Modellen.
Zitate und Danksagungen#
Wenn du den ImageNet10-Datensatz für deine Forschungs- 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-Datensatzes danken. Die von Ultralytics erstellte ImageNet10-Teilmenge ist eine wertvolle Ressource für schnelle Tests und das Debuggen in der Machine-Learning- und Computer-Vision-Forschung. Weitere Informationen zum ImageNet-Datensatz und seinen Erstellern findest du auf der ImageNet-Website.
FAQ#
Der ImageNet10-Datensatz ist eine kompakte Teilmenge der ImageNet-Datenbank, die von Ultralytics für schnelle CI-Tests, Plausibilitätsprüfungen und die Evaluierung von Trainingspipelines erstellt wurde. Er enthält 24 Bilder (12 Trainings- und 12 Validierungsbilder) aus den ersten 10 Klassen von ImageNet. Trotz seiner geringen Größe bewahrt er die WordNet-Ordnerstruktur des vollständigen Datensatzes und eignet sich daher ideal für schnelle Pipeline-Tests, nicht jedoch für das Benchmarking der Modellgenauigkeit.
ImageNet10 enthält insgesamt 24 Bilder – 12 für das Training und 12 für die Validierung –, die auf die ersten 10 Klassen von ImageNet verteilt sind. Jede Klasse ist ein WordNet-Synset in einem eigenen Ordner, sodass der Datensatz die Struktur des vollständigen ImageNet-Datensatzes bei einem Bruchteil seines Umfangs nachbildet.
Um dein Klassifikationsmodell mit ImageNet10 bei einer Bildgröße von 224x224 zu testen, verwende die folgenden Codeausschnitte.
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 vollständige Liste der verfügbaren Argumente findest du auf der Seite zum Training.
ImageNet10 wurde speziell für CI-Tests, Plausibilitätsprüfungen und schnelle Evaluierungen in Deep-Learning-Pipelines entwickelt. Dank seines Umfangs von 24 Bildern sind nahezu sofortige Iterationen möglich, wodurch er sich ideal für die kontinuierliche Integration eignet, bei der Geschwindigkeit entscheidend ist. Durch die Beibehaltung der Ordnerstruktur des vollständigen ImageNet-Datensatzes ermöglicht er eine zuverlässige Überprüfung der grundlegenden Funktionsfähigkeit und Korrektheit eines Modells, ohne den Aufwand der Verarbeitung eines großen Datensatzes.
Obwohl ImageNet10 und ImageNette beide Teilmengen von ImageNet sind, dienen sie unterschiedlichen Zwecken. ImageNet10 enthält nur 24 Bilder aus den ersten 10 Klassen und ist daher besonders platzsparend für CI-Tests und schnelle Plausibilitätsprüfungen. ImageNette enthält dagegen mehr als 13.000 Bilder aus 10 leicht unterscheidbaren Klassen und eignet sich damit für das eigentliche Training und die Entwicklung von Modellen. ImageNet10 überprüft die Funktionsfähigkeit der Pipeline, während ImageNette besser für aussagekräftige, aber schnellere Trainingsexperimente als mit dem vollständigen ImageNet-Datensatz geeignet ist.