ImageNette-Datensatz

Der ImageNette-Datensatz ist eine Teilmenge des größeren Imagenet-Datensatzes, umfasst aber nur 10 leicht unterscheidbare Klassen. Er wurde geschaffen, um eine schnellere, einfacher zu verwendende Version von Imagenet für die Softwareentwicklung und die Ausbildung bereitzustellen.

Wesentliche Merkmale

• ImageNette enthält Bilder aus 10 verschiedenen Klassen wie Schleie, English springer, Kassettenspieler, Kettensäge, Kirche, Waldhorn, Müllwagen, Zapfsäule, Golfball, Fallschirm.
• Der Datensatz umfasst farbige Bilder unterschiedlicher Größe.
• ImageNette wird häufig zum Trainieren und Testen im Bereich des maschinellen Lernens eingesetzt, insbesondere für Bildklassifizierungsaufgaben.

Struktur des Datensatzes

Der ImageNette-Datensatz ist in zwei Teilmengen aufgeteilt:

1. Trainingsmenge: Dieser Teilsatz enthält mehrere Tausend Bilder, die zum Trainieren von Modellen für maschinelles Lernen verwendet werden. Die genaue Anzahl variiert je nach Klasse.
2. Validierungssatz: Dieser Teilsatz 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 zum Trainieren und Evaluieren von Deep-Learning-Modellen für Bildklassifizierungsaufgaben verwendet, z. B. von Convolutional Neural Networks (CNNs) und verschiedenen anderen Algorithmen für maschinelles Lernen. Das übersichtliche Format des Datensatzes und die gut ausgewählten Klassen machen ihn zu einer praktischen Ressource für Anfänger und erfahrene Praktiker auf dem Gebiet des maschinellen Lernens und der Computer Vision.

Verwendung

Um ein Modell auf dem ImageNette-Datensatz für 100 Epochen mit einer Standardbildgröße von 224x224 zu trainieren, können Sie die folgenden Codeschnipsel verwenden. Eine umfassende Liste der verfügbaren Argumente finden Sie auf der Seite Modelltraining.

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

# Start training from a pretrained *.pt model
yolo classify train data=imagenette model=yolo11n-cls.pt epochs=100 imgsz=224

Beispielbilder und -kommentare

Der ImageNette-Datensatz enthält farbige Bilder von verschiedenen Objekten und Szenen und bietet damit einen vielfältigen Datensatz für Bildklassifizierungsaufgaben. Hier sind einige Beispiele von Bildern 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 ein schnelleres Prototyping und Training ist der ImageNette-Datensatz auch in zwei reduzierten Größen erhältlich: ImageNette160 und ImageNette320. Diese Datensätze enthalten dieselben Klassen und dieselbe Struktur wie der vollständige ImageNette-Datensatz, aber die Bilder sind auf eine kleinere Dimension verkleinert. Daher sind diese Versionen des Datensatzes besonders nützlich für vorläufige Modelltests oder wenn die Rechenressourcen begrenzt sind.

Um diese Datensätze zu verwenden, ersetzen Sie einfach "imagenette" durch "imagenette160" oder "imagenette320" im Trainingsbefehl. Die folgenden Codeschnipsel veranschaulichen dies:

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n-cls.pt")  # load a pretrained model (recommended for training)

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

# Start training from a pretrained *.pt model with ImageNette160
yolo classify train data=imagenette160 model=yolo11n-cls.pt epochs=100 imgsz=160

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n-cls.pt")  # load a pretrained model (recommended for training)

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

# Start training from a pretrained *.pt model with ImageNette320
yolo classify train data=imagenette320 model=yolo11n-cls.pt 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 Sie den ImageNette-Datensatz in Ihrer Forschungs- oder Entwicklungsarbeit verwenden, weisen Sie ihn bitte entsprechend aus. Weitere Informationen über den ImageNette-Datensatz finden Sie auf der ImageNette-Datensatz-GitHub-Seite.

FAQ

Was ist der ImageNette-Datensatz?

Der ImageNette-Datensatz ist eine vereinfachte Teilmenge des größeren ImageNet-Datensatzes und enthält nur 10 leicht unterscheidbare Klassen wie Schleie, English springer und Waldhorn. Er wurde erstellt, um einen überschaubareren Datensatz für effizientes Training und Evaluierung von Bildklassifizierungsmodellen zu bieten. Dieser Datensatz ist besonders nützlich für die schnelle Softwareentwicklung und für Ausbildungszwecke in den Bereichen maschinelles Lernen und Computer Vision.

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

Um ein YOLO Modell auf dem ImageNette-Datensatz für 100 Epochen zu trainieren, können Sie die folgenden Befehle verwenden. Stellen Sie sicher, dass Sie die Umgebung Ultralytics YOLO eingerichtet haben.

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

# Start training from a pretrained *.pt model
yolo classify train data=imagenette model=yolo11n-cls.pt epochs=100 imgsz=224

Weitere Einzelheiten finden Sie auf der Seite Schulungsdokumentation.

Warum sollte ich ImageNette für Bildklassifizierungsaufgaben verwenden?

Der ImageNette-Datensatz ist aus mehreren Gründen von Vorteil:

• Schnell und einfach: Er enthält nur 10 Klassen und ist damit im Vergleich zu größeren Datensätzen weniger komplex und zeitaufwändig.
• Einsatz im Bildungsbereich: Ideal für das Erlernen und Lehren der Grundlagen der Bildklassifizierung, da es weniger Rechenleistung und Zeit benötigt.
• Vielseitigkeit: Weit verbreitetes Training und Benchmarking verschiedener maschineller Lernmodelle, insbesondere bei der Bildklassifizierung.

Weitere Einzelheiten zum Modelltraining und zur Datensatzverwaltung finden Sie im Abschnitt Datensatzstruktur.

Kann der ImageNette-Datensatz mit verschiedenen Bildgrößen verwendet werden?

Ja, der ImageNette-Datensatz ist auch in zwei verkleinerten Versionen erhältlich: ImageNette160 und ImageNette320. Diese Versionen helfen bei der schnelleren Erstellung von Prototypen und sind besonders nützlich, wenn die Rechenressourcen begrenzt sind.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n-cls.pt")

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

# Start training from a pretrained *.pt model with ImageNette160
yolo detect train data=imagenette160 model=yolo11n-cls.pt epochs=100 imgsz=160

Weitere Informationen finden Sie unter Schulung mit ImageNette160 und ImageNette320.

Welche praktischen Anwendungen gibt es für den ImageNette-Datensatz?

Der ImageNette-Datensatz wird in vielen Bereichen verwendet:

• Pädagogische Einstellungen: Für die Ausbildung von Anfängern in maschinellem Lernen und Computer Vision.
• Software-Entwicklung: Für das schnelle Prototyping und die Entwicklung von Bildklassifizierungsmodellen.
• Deep Learning Forschung: Bewertung und Benchmarking der Leistung verschiedener Deep-Learning-Modelle, insbesondere Convolutional Neural Networks (CNNs).

Detaillierte Anwendungsbeispiele finden Sie im Abschnitt Anwendungen.

📅 Erstellt vor 1 Jahr ✏️ Aktualisiert vor 1 Monat

Kommentare