ImageNette-Datensatz#

13,394

Imagenette

ultralytics

publicClassify

Imagenette is fast.ai's reviewed 10-class ImageNet subset with 13,394 unique images: 9,469 train and 3,925 validation. Its human-readable taxonomy covers tench, English springer, cassette player, chain saw, church, French horn, garbage truck, gas pump, golf ball, and parachute. ImageNet-derived imagery is provided for non-commercial research and educational use.

10 classes944.7 MBAug 21, 2026

tenchEnglish springercassette playerchain saw+6

image-classificationimagenetteimagenet+1

Das ImageNette-Dataset ist eine Untermenge von ImageNet mit 10 leicht unterscheidbaren Klassen, erstellt von fast.ai, um eine schnellere, einfacher zu verwendende Version von ImageNet für die Softwareentwicklung und Ausbildung bereitzustellen. Es enthält 13.394 Farbbilder – 9.469 für das Training und 3.925 für die Validierung –, die Klassen wie Schleie, English Springer Spaniel, Kassettenrecorder und Waldhorn umfassen, sodass image classification-Modelle innerhalb von Minuten statt der Stunden trainiert werden, die das vollständige ImageNet mit 1.000 Klassen erfordert.

Hauptfunktionen#

• ImageNette enthält 13.394 Bilder in 10 Klassen: Schleie, English Springer Spaniel, Kassettenrekorder, Kettensäge, Kirche, Waldhorn, Müllwagen, Zapfsäule, Golfball und Fallschirm.
• Er wird mit einer vordefinierten Aufteilung von 9.469 Trainings- und 3.925 Validierungs-Farbbildern mit unterschiedlichen Abmessungen geliefert.
• Die 10 klar abgegrenzten Klassen machen ImageNette schnell trainierbar und leicht verständlich, weshalb er häufig für Prototyping und den Unterricht in der Bildklassifizierung verwendet wird.

Datensatzstruktur#

ImageNette wird mit einer vordefinierten Trainings-/Validierungsaufteilung geliefert, wobei jede Klasse in einem eigenen Ordner gespeichert ist:

Die genaue Anzahl der Bilder variiert je nach Klasse, was eine realistische Verteilung für schnelles Training und Benchmarking bietet, ohne den Umfang des vollständigen ImageNet-Datensatzes zu erreichen.

Anwendungen#

Das ImageNette-Dataset wird häufig zum Trainieren und Evaluieren von deep learning-Modellen bei der Bildklassifizierung verwendet, wie zum Beispiel Convolutional Neural Networks (CNNs) und anderen Algorithmen des maschinellen Lernens. Sein unkompliziertes Format und die gut gewählten Klassen machen es zu einer nützlichen Ressource für Einsteiger und erfahrene Anwender im Bereich machine learning und computer vision.

Verwendung#

Um ein Modell mit einer Standardbildgröße von 224x224 100 epochs lang auf dem ImageNette-Dataset zu trainieren, kannst du die folgenden Codeausschnitte verwenden. Eine umfassende Liste der verfügbaren Argumente findest du auf der Seite zum Modell-Training.

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#

Das ImageNette-Dataset enthält farbige Bilder verschiedener Objekte und Szenen und bietet damit ein vielfältiges Dataset für image classification-Aufgaben. Hier sind einige Beispiele für Bilder aus dem Dataset:

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 ein schnelleres Prototyping und Training ist ImageNette auch in zwei reduzierten Größen erhältlich: ImageNette160 und ImageNette320. Diese Datasets behalten dieselben Klassen und dieselbe Struktur wie das vollständige ImageNette bei, aber die Bilder werden auf eine kleinere maximale Kantenlänge skaliert. Sie sind besonders nützlich für vorläufige Modelltests oder wenn die Rechenressourcen begrenzt sind.

Um diese Datasets zu verwenden, ersetze im Trainingsbefehl einfach imagenette durch imagenette160 oder imagenette320. Die folgenden Codeausschnitte veranschaulichen 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 Datasets ermöglichen schnelle Iterationen während der Entwicklung und bieten dennoch realistische Aufgaben zur Bildklassifizierung. Du kannst Klassifizierungs-Datasets auch verwalten und das Training in der Cloud mit Ultralytics Platform durchführen.

Zitate und Danksagungen#

Wenn du das ImageNette-Dataset für deine Forschung oder Entwicklungsarbeit verwendest, erwähne es bitte angemessen. Weitere Informationen zu ImageNette findest du auf der ImageNette dataset GitHub-Seite.

Wir möchten dem fast.ai-Team dafür danken, dass es ImageNette als wertvolle Ressource für die Forschungsgemeinschaft im Bereich machine learning und computer vision erstellt und gepflegt hat.

FAQ#