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 der kontinuierlichen Integration, Plausibilitätsprüfungen und die schnelle Validierung von Trainingspipelines entwickelt. Die 12 Trainings- und 12 Validierungsbilder liegen in derselben Ordnerstruktur mit WordNet-Synsets wie im vollständigen Datensatz. Ein Modell, das auf ImageNet trainiert, kann daher unverändert auch auf ImageNet10 trainiert werden – in Sekunden statt Stunden. Der Datensatz dient der End-to-End-Prüfung einer Pipeline, nicht dem Benchmarking der Genauigkeit.
Wichtige Funktionen#
- ImageNet10 umfasst nur 24 Bilder (12 Trainings- und 12 Validierungsbilder) aus den ersten 10 Klassen von ImageNet.
- Der Datensatz ist gemäß der WordNet-Hierarchie organisiert und bildet die Synset-Ordner für einzelne Klassen des vollständigen ImageNet-Datensatzes nach.
- Der Datensatz wurde speziell für Tests der kontinuierlichen Integration, Plausibilitätsprüfungen und die schnelle Fehlersuche in Trainingspipelines für Aufgaben im Bereich Computer Vision entwickelt.
- Der Datensatz ist zwar nicht für Modellbenchmarks konzipiert, liefert aber schnell einen ersten Hinweis auf die grundlegende Funktion und Korrektheit eines Modells.
Datensatzstruktur#
ImageNet10 enthält eine vordefinierte Aufteilung mit den ersten 10 Klassen des vollständigen ImageNet-Datensatzes (n01440764 Schleie bis n01518878 Strauß):
| Aufteilung | Bilder | Klassen |
|---|---|---|
| Trainieren | 12 | 10 |
| Validierung | 12 | 10 |
Jede der 10 Klassen entspricht einem WordNet-Synset (einer Menge bedeutungsgleicher Begriffe). Die Bilder liegen in Klassenordnern, die nach der Synset-ID benannt sind – genau die Ordnerstruktur, die das Klassifizierungstraining von Ultralytics erwartet. Dadurch ist ImageNet10 ein kompaktes, strukturell getreues Ersatzstück für den vollständigen Datensatz, mit dem sich prüfen lässt, ob ein Modell das erwartete Ordnerformat erkennt.
Sieh dir ImageNet10 auf der Ultralytics Platform an, um die nach Klassen gruppierten Bilder zu durchsuchen, die Klassenverteilung im Tab Diagramme anzusehen und den Datensatz zu klonen, um dein eigenes Modell in der Cloud zu trainieren.
Anwendungsfälle#
Der ImageNet10-Datensatz eignet sich zum schnellen Testen und Debuggen von Computer-Vision-Modellen und -Pipelines. Dank seiner geringen Größe sind schnelle Iterationen möglich, wodurch er sich ideal für Tests der kontinuierlichen Integration und Plausibilitätsprüfungen eignet. Er ist auch nützlich für schnelle vorläufige Tests neuer Modelle oder Codeänderungen, bevor du zu umfangreichen Trainingsläufen mit dem vollständigen ImageNet-Datensatz übergehst.
Verwendung#
Verwende die folgenden Codeausschnitte, um ein Klassifizierungsmodell auf dem ImageNet10-Datensatz mit einer Bildgröße von 224x224 zu testen. Eine umfassende Liste der verfügbaren Argumente findest du auf der Seite Training des Modells.
from ultralytics import YOLO
# Ein Modell laden
model = YOLO("yolo26n-cls.pt") # ein vortrainiertes Modell laden (für das Training empfohlen)
# Das Modell trainieren
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 die ersten 10 Klassen repräsentiert und eine vielfältige, aber kompakte Ressource für schnelle Tests und Auswertungen bietet.
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 in deiner Forschung oder Entwicklungsarbeit verwendest, zitiere bitte die ursprüngliche ImageNet-Arbeit:
@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 von Olga Russakovsky, Jia Deng und Li Fei-Fei geleiteten ImageNet-Team dafür danken, dass es den ImageNet-Datensatz erstellt und gepflegt hat. Die von Ultralytics erstellte Teilmenge ImageNet10 ist eine wertvolle Ressource für schnelle Tests und die Fehlersuche in der maschinelles Lernen- und Computer-Vision-Forschung. Weitere Informationen zum ImageNet-Datensatz und seinen Erstellern findest du auf der ImageNet-Website.
Häufig gestellte Fragen#
Der ImageNet10-Datensatz ist eine kompakte Teilmenge der ImageNet-Datenbank, die Ultralytics für schnelle CI-Tests, Plausibilitätsprüfungen und Auswertungen von Trainingspipelines erstellt hat. Er enthält 24 Bilder (12 für das Training und 12 für die Validierung) aus den ersten 10 ImageNet-Klassen. Trotz seiner geringen Größe behält er die WordNet-Ordnerstruktur des vollständigen Datensatzes bei. Damit eignet er sich ideal für schnelle Pipeline-Tests, aber nicht für das Benchmarking der Modellgenauigkeit.
ImageNet10 umfasst insgesamt 24 Bilder – 12 für das Training und 12 für die Validierung –, die sich auf die ersten 10 ImageNet-Klassen verteilen. Jede Klasse ist ein WordNet-Synset, das in einem eigenen Ordner gespeichert ist. So entspricht der Aufbau des Datensatzes dem des vollständigen ImageNet-Datensatzes, bei einem Bruchteil seiner Größe.
Um dein Klassifizierungsmodell mit einer Bildgröße von 224x224 auf ImageNet10 zu testen, verwende die folgenden Codeausschnitte.
Testbeispielfrom ultralytics import YOLO # Ein Modell laden model = YOLO("yolo26n-cls.pt") # ein vortrainiertes Modell laden (für das Training empfohlen) # Das Modell trainieren results = model.train(data="imagenet10", epochs=5, imgsz=224)Eine umfassende Liste der verfügbaren Argumente findest du auf der Seite zum Training.
ImageNet10 wurde speziell für CI-Tests, Plausibilitätsprüfungen und schnelle Auswertungen in Deep-Learning-Pipelines entwickelt. Mit nur 24 Bildern ermöglicht der Datensatz nahezu sofortige Durchläufe und eignet sich daher ideal für die kontinuierliche Integration, bei der Geschwindigkeit entscheidend ist. Da die Ordnerstruktur des vollständigen ImageNet-Datensatzes erhalten bleibt, lässt sich zuverlässig prüfen, ob ein Modell grundsätzlich funktioniert und korrekte Ergebnisse liefert, ohne einen großen Datensatz verarbeiten zu müssen.
Sowohl ImageNet10 als auch ImageNette sind Teilmengen von ImageNet, dienen aber unterschiedlichen Zwecken. ImageNet10 umfasst nur 24 Bilder aus den ersten 10 Klassen und ist damit äußerst kompakt für CI-Tests und schnelle Plausibilitätsprüfungen. ImageNette hingegen enthält über 13.000 Bilder aus 10 leicht unterscheidbaren Klassen und eignet sich für das tatsächliche Modelltraining und die Entwicklung. ImageNet10 überprüft die Funktionsfähigkeit der Pipeline, während ImageNette besser für aussagekräftige Trainingsexperimente geeignet ist, die schneller als mit dem vollständigen ImageNet ablaufen.