ImageNet10-Datensatz

Der ImageNet10-Datensatz ist eine kleine Teilmenge der ImageNet-Datenbank, die von Ultralytics entwickelt wurde und für CI-Tests, Plausibilitätsprüfungen und das schnelle Testen von Trainingspipelines gedacht ist. Dieser Datensatz besteht aus dem ersten Bild des Trainingssets und dem ersten Bild des Validierungssets der ersten 10 Klassen in ImageNet. Obwohl er deutlich kleiner ist, behält er die Struktur und Vielfalt des ursprünglichen ImageNet-Datensatzes 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 kompletten ImageNet-Datensatzes wider.
• Sie eignet sich ideal für CI-Tests, Plausibilitätsprüfungen und das schnelle Testen von Trainingspipelines für Computer Vision Aufgaben.
• Obwohl es nicht für den Modell-Benchmark gedacht ist, kann es einen schnellen Hinweis auf die grundlegende Funktionalität und Korrektheit eines Modells geben.

Struktur des Datensatzes

Der ImageNet10-Datensatz ist wie das ursprüngliche ImageNet nach 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 versehen und bieten so eine kompakte Ressource zum Testen von Modellen zur Erkennung verschiedener Objekte und ihrer Beziehungen.

Anwendungen

Der ImageNet10-Datensatz ist nützlich, um Computer-Vision-Modelle und -Pipelines schnell zu testen und zu debuggen. Seine geringe Größe ermöglicht eine schnelle Iteration und ist daher ideal für kontinuierliche Integrationstests und Plausibilitätsprüfungen. Er kann auch für schnelle Vorabtests neuer Modelle oder Änderungen an bestehenden Modellen verwendet werden, bevor mit dem kompletten ImageNet-Datensatz getestet wird.

Verwendung

Um ein Deep Learning-Modell auf dem ImageNet10-Datensatz mit einer Bildgröße von 224x224 zu testen, kannst du die folgenden Codeschnipsel verwenden. Eine umfassende Liste der verfügbaren Argumente findest du auf der Seite Modelltraining.

from ultralytics import YOLO

# Load a model
model = YOLO('yolov8n-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 train data=imagenet10 model=yolov8n-cls.pt epochs=5 imgsz=224

Beispielbilder und Anmerkungen

Der ImageNet10-Datensatz enthält eine Teilmenge von Bildern aus dem ursprünglichen ImageNet-Datensatz. 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 Auswertungen bieten.

Das Beispiel zeigt die Vielfalt und Komplexität der Bilder im ImageNet10-Datensatz und unterstreicht seine Nützlichkeit für die Überprüfung der Korrektheit und das schnelle Testen von Computer Vision Modellen.

Zitate und Danksagungen

Wenn du den ImageNet10-Datensatz in deiner Forschungs- oder Entwicklungsarbeit verwendest, zitiere bitte die Originalversion von 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-Team unter der Leitung von Olga Russakovsky, Jia Deng und Li Fei-Fei für die Erstellung und Pflege des ImageNet-Datensatzes danken. 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-Datensatz und seine Schöpfer findest du auf der ImageNet-Website.

Kommentare