ImageNet10-Datensatz
Der ImageNet10-Datensatz ist eine kleine Teilmenge des ImageNet Datenbank, entwickelt von Ultralytics entwickelt und für CI-Tests, Plausibilitätsprüfungen und schnelle Tests von Trainingspipelines konzipiert. Dieser Datensatz besteht aus dem ersten Bild des Trainingssatzes und dem ersten Bild des Validierungssatzes der ersten 10 Klassen in ImageNet. Obwohl er deutlich kleiner ist, behält er die Struktur und Vielfalt des ursprünglichen ImageNet bei.
Hauptmerkmale
- ImageNet10 ist eine kompakte Version von ImageNet, mit 20 Bildern, die die ersten 10 Klassen des Originaldatensatzes repräsentieren.
- Der Datensatz ist entsprechend der WordNet-Hierarchie organisiert und spiegelt die Struktur des vollständigen ImageNet wider.
- Er eignet sich ideal für CI-Tests, Plausibilitätsprüfungen und schnelle Tests von Trainingspipelines in Computer Vision-Aufgaben.
- Obwohl er nicht für Modell-Benchmarking konzipiert ist, kann er einen schnellen Hinweis auf die grundlegende Funktionalität und Korrektheit eines Modells geben.
Dataset-Struktur
Der ImageNet10-Datensatz, wie auch der ursprüngliche ImageNetanhand der WordNet-Hierarchie organisiert. Jede der 10 Klassen in ImageNet10 wird durch ein Synset (eine Sammlung von synonymen Begriffen) beschrieben. Die Bilder in ImageNet10 sind mit einem oder mehreren Synsets annotiert, was eine kompakte Ressource für das Testen von Modellen zur Erkennung verschiedener Objekte und ihrer Beziehungen darstellt.
Anwendungen
Der ImageNet10-Datensatz eignet sich für das schnelle Testen und Debuggen von Computer-Vision-Modellen und -Pipelines. Seine geringe Größe ermöglicht eine schnelle Iteration, wodurch er sich ideal für kontinuierliche Integrationstests und Plausibilitätsprüfungen eignet. Er kann auch für schnelle Vorabtests neuer Modelle oder Änderungen an bestehenden Modellen verwendet werden, bevor mit dem vollständigen ImageNet getestet wird.
Nutzung
Um ein Deep-Learning-Modell auf dem ImageNet10-Datensatz mit einer Bildgröße von 224x224 zu testen, können Sie die folgenden Code-Snippets verwenden. Eine umfassende Liste der verfügbaren Argumente finden Sie auf der Seite Training des Modells.
Testbeispiel
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="imagenet10", epochs=5, imgsz=224)
# Start training from a pretrained *.pt model
yolo classify train data=imagenet10 model=yolo11n-cls.pt epochs=5 imgsz=224
sample_images und Anmerkungen
Der ImageNet10-Datensatz enthält eine Teilmenge von Bildern aus dem ursprünglichen ImageNet . Diese Bilder wurden so ausgewählt, dass sie die ersten 10 Klassen des Datensatzes repräsentieren und einen vielfältigen und dennoch kompakten Datensatz für schnelle Tests und Evaluierungen bieten.
Das Beispiel zeigt die Vielfalt und Komplexität der Bilder im ImageNet10-Datensatz und unterstreicht seine Nützlichkeit für Plausibilitätsprüfungen und schnelle Tests von Computer-Vision-Modellen.
Zitate und Danksagungen
Wenn Sie den ImageNet10-Datensatz in Ihrer Forschungs- oder Entwicklungsarbeit verwenden, zitieren Sie bitte die ursprüngliche ImageNet :
@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 unter der Leitung von Olga Russakovsky, Jia Deng und Li Fei-Fei für die Erstellung und Pflege des ImageNet unseren Dank aussprechen. Der ImageNet10-Datensatz ist zwar eine kompakte Teilmenge, aber eine wertvolle Ressource für schnelle Tests und Fehlersuche in der Forschungsgemeinschaft für maschinelles Lernen und Computer Vision. Weitere Informationen über den ImageNet und seine Ersteller finden Sie auf der ImageNet .
FAQ
Was ist der ImageNet10-Datensatz und wie unterscheidet er sich von dem vollständigen ImageNet ?
Der ImageNet10-Datensatz ist eine kompakte Teilmenge des ursprünglichen ImageNet Datenbank, die von Ultralytics für schnelle CI-Tests, Plausibilitätsprüfungen und Evaluierungen von Trainingspipelines erstellt wurde. ImageNet10 umfasst nur 20 Bilder, die das erste Bild in den Trainings- und Validierungssätzen der ersten 10 Klassen in ImageNet darstellen. Trotz seiner geringen Größe behält es die Struktur und Vielfalt des vollständigen Datensatzes bei, wodurch es sich ideal für schnelle Tests, aber nicht für das Benchmarking von Modellen eignet.
Wie kann ich den ImageNet10-Datensatz verwenden, um mein Deep-Learning-Modell zu testen?
Um Ihr Deep-Learning-Modell auf dem ImageNet10-Datensatz mit einer Bildgröße von 224x224 zu testen, verwenden Sie die folgenden Code-Snippets.
Testbeispiel
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="imagenet10", epochs=5, imgsz=224)
# Start training from a pretrained *.pt model
yolo classify train data=imagenet10 model=yolo11n-cls.pt epochs=5 imgsz=224
Eine umfassende Liste der verfügbaren Argumente finden Sie auf der Trainings-Seite.
Warum sollte ich den ImageNet10-Datensatz für CI-Tests und Plausibilitätsprüfungen verwenden?
Der ImageNet10-Datensatz wurde speziell für CI-Tests, Plausibilitätsprüfungen und schnelle Evaluierungen in Deep-Learning-Pipelines entwickelt. Seine geringe Größe ermöglicht schnelle Iterationen und Tests und ist damit perfekt für kontinuierliche Integrationsprozesse geeignet, bei denen Geschwindigkeit entscheidend ist. Durch die Beibehaltung der strukturellen Komplexität und Vielfalt des ursprünglichen ImageNet liefert ImageNet10 einen zuverlässigen Hinweis auf die grundlegende Funktionalität und Korrektheit eines Modells, ohne dass der Aufwand für die Verarbeitung eines großen Datensatzes entsteht.
Was sind die Hauptmerkmale des ImageNet10-Datensatzes?
Der ImageNet10-Datensatz hat mehrere Hauptmerkmale:
- Kompakte Größe: Mit nur 20 Bildern ermöglicht er schnelles Testen und Debuggen.
- Strukturierte Organisation: Folgt der WordNet-Hierarchie, ähnlich wie der vollständige ImageNet .
- CI und Sanity Checks: Ideal geeignet für Continuous Integration Tests und Sanity Checks.
- Nicht für Benchmarking: Obwohl es für schnelle Modellbewertungen nützlich ist, ist es nicht für umfangreiches Benchmarking konzipiert.
Wie schneidet ImageNet10 im Vergleich zu anderen kleinen Datensätzen wie ImageNette ab?
ImageNet10 und ImageNette sind zwar beide Teilmengen von ImageNet, dienen aber unterschiedlichen Zwecken. ImageNet10 enthält nur 20 Bilder (2 pro Klasse) aus den ersten 10 Klassen von ImageNet und ist damit extrem leichtgewichtig für CI-Tests und schnelle Fehlerbehebungen. Im Gegensatz dazu enthält ImageNette Tausende von Bildern aus 10 leicht zu unterscheidenden Klassen und eignet sich daher besser für die eigentliche Modellschulung und -entwicklung. ImageNet10 ist für die Überprüfung der Pipeline-Funktionalität gedacht, während ImageNette besser für aussagekräftige, aber ImageNet als vollständige ImageNet-Trainingsversuche geeignet ist.
