ImageNette Datensatz

Der ImageNette Datensatz ist eine Teilmenge des größeren ImageNet Datensatzes, enthält jedoch nur 10 leicht unterscheidbare Klassen. Er wurde erstellt, um eine schnellere, benutzerfreundlichere Version von ImageNet für die Softwareentwicklung und Ausbildung bereitzustellen.

Hauptmerkmale

• ImageNette enthält Bilder aus 10 verschiedenen Klassen wie Schleie, English Springer Spaniel, Kassettenspieler, Kettensäge, Kirche, Waldhorn, Müllwagen, Zapfsäule, Golfball, Fallschirm.
• Der Datensatz umfasst farbige Bilder unterschiedlicher Abmessungen.
• ImageNette wird häufig für Training und Tests im Bereich Machine Learning verwendet, insbesondere für Bildklassifizierungsaufgaben.

Datensatzstruktur

Der ImageNette Datensatz ist in zwei Teilmengen unterteilt:

1. Trainingsdatensatz: Diese Teilmenge enthält mehrere Tausend Bilder, die für das Training von Machine-Learning-Modellen verwendet werden. Die genaue Anzahl variiert je nach Klasse.
2. Validierungsdatensatz: Diese Teilmenge besteht aus mehreren Hundert Bildern, die zur Validierung und zum Benchmarking der trainierten Modelle verwendet werden. Auch hier variiert die genaue Anzahl je nach Klasse.

Anwendungen

Der ImageNette Datensatz wird häufig für das Training und die Evaluierung von Deep Learning Modellen bei Bildklassifizierungsaufgaben eingesetzt, wie z. B. Convolutional Neural Networks (CNNs) und verschiedene andere Machine-Learning-Algorithmen. Das unkomplizierte Format und die gut gewählten Klassen des Datensatzes machen ihn zu einer praktischen Ressource sowohl für Anfänger als auch für erfahrene Anwender im Bereich Machine Learning und Computer Vision.

Verwendung

Um ein Modell für 100 Epochen mit einer Standardbildgröße von 224x224 auf dem ImageNette Datensatz zu trainieren, kannst du die folgenden Code-Snippets verwenden. Eine vollständige Liste der verfügbaren Argumente findest du auf der Training Seite für Modelle.

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="imagenette", epochs=100, imgsz=224)

Beispielbilder und Annotationen

Der ImageNette Datensatz enthält farbige Bilder verschiedener Objekte und Szenen und bietet so einen vielfältigen Datensatz für Image Classification Aufgaben. Hier sind einige Beispiele für Bilder aus dem Datensatz:

Das Beispiel zeigt die Vielfalt und Komplexität der Bilder im ImageNette Datensatz und unterstreicht die Bedeutung eines vielfältigen Datensatzes für das Training robuster Bildklassifizierungsmodelle.

ImageNette160 und ImageNette320

Für schnellere Prototypenentwicklung und Training ist der ImageNette Datensatz auch in zwei reduzierten Größen verfügbar: ImageNette160 und ImageNette320. Diese Datensätze behalten die gleichen Klassen und die Struktur des vollständigen ImageNette Datensatzes bei, aber die Bilder wurden auf kleinere Dimensionen skaliert. Daher sind diese Versionen des Datensatzes besonders nützlich für vorläufige Modelltests oder wenn Rechenressourcen begrenzt sind.

Um diese Datensätze zu verwenden, ersetze im Trainingsbefehl einfach 'imagenette' durch 'imagenette160' oder 'imagenette320'. Die folgenden Code-Snippets verdeutlichen dies:

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n-cls.pt")  # load a pretrained model (recommended for training)

# Train the model with ImageNette160
results = model.train(data="imagenette160", epochs=100, imgsz=160)

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n-cls.pt")  # load a pretrained model (recommended for training)

# Train the model with ImageNette320
results = model.train(data="imagenette320", epochs=100, imgsz=320)

Diese kleineren Versionen des Datensatzes ermöglichen schnelle Iterationen während des Entwicklungsprozesses und bieten gleichzeitig wertvolle und realistische Bildklassifizierungsaufgaben.

Zitate und Danksagungen

Wenn du den ImageNette Datensatz in deiner Forschung oder Entwicklungsarbeit verwendest, gib dies bitte angemessen an. Weitere Informationen zum ImageNette Datensatz findest du auf der ImageNette Datensatz GitHub Seite.

FAQ

Was ist der ImageNette Datensatz?

Der ImageNette Datensatz ist eine vereinfachte Teilmenge des größeren ImageNet Datensatzes, die nur 10 leicht unterscheidbare Klassen wie Schleie, English Springer Spaniel und Waldhorn enthält. Er wurde geschaffen, um einen überschaubareren Datensatz für effizientes Training und die Evaluierung von Bildklassifizierungsmodellen anzubieten. Dieser Datensatz ist besonders nützlich für die schnelle Softwareentwicklung und zu Ausbildungszwecken in den Bereichen Machine Learning und Computer Vision.

Wie kann ich den ImageNette Datensatz für das Training eines YOLO Modells verwenden?

Um ein YOLO Modell für 100 Epochen auf dem ImageNette Datensatz zu trainieren, kannst du die folgenden Befehle verwenden. Stelle sicher, dass die Ultralytics YOLO Umgebung eingerichtet ist.

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="imagenette", epochs=100, imgsz=224)

Weitere Details findest du auf der Training Dokumentationsseite.

Warum sollte ich ImageNette für Bildklassifizierungsaufgaben verwenden?

Der ImageNette Datensatz ist aus mehreren Gründen vorteilhaft:

• Schnell und einfach: Er enthält nur 10 Klassen, was ihn weniger komplex und zeitaufwendig im Vergleich zu größeren Datensätzen macht.
• Pädagogische Nutzung: Ideal zum Lernen und Lehren der Grundlagen der Bildklassifizierung, da er weniger Rechenleistung und Zeit erfordert.
• Vielseitigkeit: Weit verbreitet zum Trainieren und Bewerten verschiedener Machine-Learning-Modelle, insbesondere bei der Bildklassifizierung.

Weitere Details zum Training von Modellen und zur Verwaltung von Datensätzen findest du im Abschnitt Datensatzstruktur.

Kann der ImageNette Datensatz mit verschiedenen Bildgrößen verwendet werden?

Ja, der ImageNette Datensatz ist auch in zwei skalierten Versionen verfügbar: ImageNette160 und ImageNette320. Diese Versionen helfen bei der schnelleren Prototypenentwicklung und sind besonders nützlich, wenn Rechenressourcen begrenzt sind.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n-cls.pt")

# Train the model with ImageNette160
results = model.train(data="imagenette160", epochs=100, imgsz=160)

Weitere Informationen findest du unter Training mit ImageNette160 und ImageNette320.

Was sind praktische Anwendungen für den ImageNette Datensatz?

Der ImageNette Datensatz wird umfassend eingesetzt in:

• Bildungseinrichtungen: Um Anfängern Machine Learning und Computer Vision näherzubringen.
• Softwareentwicklung: Für schnelle Prototypenentwicklung und die Entwicklung von Bildklassifizierungsmodellen.
• Deep Learning Forschung: Zur Evaluierung und zum Benchmarking der Leistung verschiedener Deep Learning Modelle, insbesondere Convolutional Neural Networks (CNNs).

Entdecke den Abschnitt Anwendungen für detaillierte Anwendungsfälle.