Link to this sectionImageNet10 Datensatz#

Der Ultralytics ImageNet10 Datensatz (data="imagenet10") ist ein winziger 24-Bilder-Teilsatz von ImageNet, der die ersten 10 Klassen umfasst. Er wurde für Continuous-Integration-Tests, Plausibilitätsprüfungen und die schnelle Validierung von Trainings-Pipelines entwickelt. Er enthält 12 Trainings- und 12 Validierungsbilder, die in der gleichen WordNet-Synset-Ordnerstruktur wie der vollständige Datensatz organisiert sind. Dadurch kann ein Modell, das auf ImageNet trainiert wird, unverändert auf ImageNet10 trainiert werden – in Sekunden statt in Stunden. Er ist dazu gedacht zu verifizieren, ob eine Pipeline von Anfang bis Ende durchläuft, und nicht für das Benchmarking der Genauigkeit gedacht.

Link to this sectionHauptfunktionen#

• 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.
• Er wurde speziell für Continuous Integration Tests, Plausibilitätsprüfungen und das schnelle Debugging von Trainings-Pipelines bei Computer Vision Aufgaben entwickelt.
• Obwohl er nicht für das Benchmarking von Modellen konzipiert ist, bietet er einen schnellen Hinweis auf die grundlegende Funktionalität und Korrektheit eines Modells.

Link to this sectionDatensatzstruktur#

ImageNet10 wird mit einem vordefinierten Split geliefert und verwendet die ersten 10 Klassen des vollständigen ImageNet Datensatzes (n01440764 Schleie bis n01518878 Strauß):

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.

Entdecke ImageNet10 auf der Ultralytics Plattform, um die nach Klassen gruppierten Bilder zu durchsuchen, die Klassenverteilung im Charts-Tab einzusehen und ihn zu klonen, um dein eigenes Modell in der Cloud zu trainieren.

Link to this sectionAnwendungen#

Der ImageNet10 Datensatz ist nützlich für das schnelle Testen und Debuggen von Computer-Vision-Modellen und Pipelines. Seine geringe Größe ermöglicht eine schnelle Iteration, was ihn ideal für Continuous Integration Tests und Plausibilitätsprüfungen macht. Er ist auch praktisch für schnelle vorläufige Tests neuer Modelle oder Code-Änderungen, bevor man zu vollständigen Durchläufen mit dem kompletten ImageNet Datensatz übergeht.

Link to this sectionVerwendung#

Um ein Klassifizierungsmodell auf dem ImageNet10 Datensatz mit einer Bildgröße von 224x224 zu testen, verwende die untenstehenden Code-Snippets. Eine umfassende Liste der verfügbaren Argumente findest du auf der Training Seite 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)

Link to this sectionBeispielbilder 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.

Link to this sectionZitate 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 dafür danken, dass sie den ImageNet Datensatz erstellt und gepflegt haben. Der von Ultralytics erstellte ImageNet10-Teilsatz ist eine wertvolle Ressource für schnelle Tests und Debugging in der Machine Learning und Computer-Vision-Forschungsgemeinschaft. Weitere Informationen über den ImageNet Datensatz und seine Ersteller findest du auf der ImageNet-Website.

Link to this sectionFAQ#

Link to this sectionWas ist der ImageNet10 Datensatz und wie unterscheidet er sich vom vollständigen ImageNet Datensatz?#

Der ImageNet10 Datensatz ist ein kompakter Teilsatz der ImageNet Datenbank, der von Ultralytics für schnelle CI-Tests, Plausibilitätsprüfungen und die Evaluierung von Trainings-Pipelines erstellt wurde. Er enthält 24 Bilder (12 für das Training und 12 für die Validierung) aus den ersten 10 Klassen von ImageNet. Trotz seiner geringen Größe behält er die WordNet-Ordnerstruktur des vollständigen Datensatzes bei, was ihn ideal für schnelle Pipeline-Tests macht, jedoch nicht für das Benchmarking der Modellgenauigkeit.

Link to this sectionWie viele Bilder und Klassen hat ImageNet10?#

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.

Link to this sectionWie kann ich den ImageNet10 Datensatz verwenden, um mein Deep-Learning-Modell zu testen?#

Um dein Klassifizierungsmodell auf ImageNet10 mit einer Bildgröße von 224x224 zu testen, verwende die folgenden Code-Snippets.

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)

Eine umfassende Liste der verfügbaren Argumente findest du auf der Training-Seite.

Link to this sectionWarum sollte ich den ImageNet10 Datensatz für CI-Tests und Plausibilitätsprüfungen verwenden?#

ImageNet10 wurde speziell für CI-Tests, Plausibilitätsprüfungen und schnelle Evaluierungen in Deep Learning Pipelines entwickelt. Seine Größe von 24 Bildern ermöglicht eine nahezu sofortige Iteration, was ihn ideal für Continuous Integration macht, wo Geschwindigkeit entscheidend ist. Durch die Beibehaltung der Ordnerstruktur des vollständigen ImageNet Datensatzes bietet er eine zuverlässige Überprüfung der grundlegenden Funktionalität und Korrektheit eines Modells ohne den Mehraufwand, einen großen Datensatz verarbeiten zu müssen.

Link to this sectionWie schneidet ImageNet10 im Vergleich zu anderen kleinen Datensätzen wie ImageNette ab?#

Während sowohl ImageNet10 als auch ImageNette Teilsätze von ImageNet sind, dienen sie unterschiedlichen Zwecken. ImageNet10 enthält nur 24 Bilder aus den ersten 10 Klassen, was ihn extrem leichtgewichtig für CI-Tests und schnelle Plausibilitätsprüfungen macht. Im Gegensatz dazu enthält ImageNette über 13.000 Bilder aus 10 leicht unterscheidbaren Klassen, was ihn für das tatsächliche Modelltraining und die Entwicklung geeignet macht. ImageNet10 verifiziert die Funktionalität der Pipeline, während ImageNette besser für aussagekräftige, aber schnellere Trainingsexperimente als mit dem vollständigen ImageNet geeignet ist.