ImageNette-Datensatz#
Der ImageNette-Datensatz ist eine Teilmenge von ImageNet mit 10 leicht unterscheidbaren Klassen. Er wurde von fast.ai erstellt, um für die Softwareentwicklung und Ausbildung eine schnellere und einfacher nutzbare Version von ImageNet bereitzustellen. Er enthält 13.394 Farbbilder – 9.469 für das Training und 3.925 für die Validierung –, die Klassen wie Schleie, Englischer Springer, Kassettenrekorder und Waldhorn abdecken. Dadurch lassen sich Modelle zur Bildklassifizierung in Minuten statt in den Stunden trainieren, die das vollständige ImageNet mit 1.000 Klassen benötigt.
Wichtige Funktionen#
- ImageNette enthält 13.394 Bilder aus 10 Klassen: Schleie, Englischer Springer, Kassettenrekorder, Kettensäge, Kirche, Waldhorn, Müllwagen, Zapfsäule, Golfball und Fallschirm.
- Der Datensatz wird mit einer vordefinierten Aufteilung von 9.469 Trainings- und 3.925 Validierungsfarbbildern mit unterschiedlichen Abmessungen ausgeliefert.
- Die 10 klar voneinander abgegrenzten Klassen machen ImageNette schnell trainierbar und leicht verständlich. Daher wird der Datensatz häufig für das Prototyping und die Vermittlung von Bildklassifizierung verwendet.
Datensatzstruktur#
ImageNette wird mit einer vordefinierten Aufteilung in Training und Validierung ausgeliefert, wobei jede Klasse in einem eigenen Ordner gespeichert ist:
| Aufteilung | Bilder | Klassen |
|---|---|---|
| Trainieren | 9,469 | 10 |
| Validierung | 3,925 | 10 |
Die genaue Anzahl der Bilder variiert je nach Klasse. Dadurch entsteht eine realistische Verteilung für schnelles Training und Benchmarking, ohne den Umfang des vollständigen ImageNet-Datensatzes.
Anwendungen#
Der ImageNette-Datensatz wird häufig zum Trainieren und Bewerten von Deep-Learning-Modellen für Aufgaben der Bildklassifizierung verwendet, beispielsweise von Faltungsneuronalen Netzen (CNNs) und anderen Algorithmen des maschinellen Lernens. Sein übersichtliches Format und die sorgfältig ausgewählten Klassen machen ihn zu einer praktischen Ressource sowohl für Einsteiger als auch für erfahrene Anwender in den Bereichen maschinelles Lernen und Computer Vision.
Verwendung#
Um ein Modell 100 Epochen lang mit einer Standardbildgröße von 224x224 auf dem ImageNette-Datensatz zu trainieren, kannst du die folgenden Codeausschnitte verwenden. Eine umfassende Liste der verfügbaren Argumente findest du auf der Seite Training des Modells.
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 Farbbilder verschiedener Objekte und Szenen und bietet damit einen vielfältigen Datensatz für Aufgaben der Bildklassifizierung. Hier sind einige Beispiele 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 Modelle zur Bildklassifizierung.
ImageNette160 und ImageNette320#
Für schnelleres Prototyping und Training ist ImageNette auch in zwei verkleinerten Versionen verfügbar: ImageNette160 und ImageNette320. Diese Datensätze behalten dieselben Klassen und dieselbe Struktur wie das vollständige ImageNette bei, die Bilder werden jedoch auf eine kleinere maximale Kantenlänge skaliert. Sie eignen sich besonders für erste Mod tests oder wenn die Rechenressourcen begrenzt sind.
Um diese Datensätze zu verwenden, ersetze in deinem 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 Datensatzes ermöglichen schnelle Iterationen während der Entwicklung und bieten weiterhin realistische Aufgaben der Bildklassifizierung. Du kannst Klassifizierungsdatensätze außerdem mit der Ultralytics Platform verwalten und Training in der Cloud ausführen.
Zitate und Danksagungen#
Wenn du den ImageNette-Datensatz in deiner Forschungs- oder Entwicklungsarbeit verwendest, gib ihn bitte angemessen an. Weitere Informationen zu ImageNette findest du auf der GitHub-Seite des ImageNette-Datensatzes.
Wir möchten dem fast.ai-Team dafür danken, ImageNette als wertvolle Ressource für die Forschungscommunity in den Bereichen maschinelles Lernen und Computer Vision erstellt und gepflegt zu haben.
FAQ#
Der ImageNette-Datensatz ist eine vereinfachte Teilmenge von ImageNet mit 10 leicht unterscheidbaren Klassen wie Schleie, Englischer Springer und Waldhorn. Er enthält 13.394 Bilder (9.469 für das Training und 3.925 für die Validierung) und wurde von fast.ai erstellt, um einen überschaubareren Datensatz für das effiziente Training und die Bewertung von Modellen zur Bildklassifizierung bereitzustellen. Dadurch eignet er sich besonders für die schnelle Softwareentwicklung und für Ausbildungszwecke in den Bereichen maschinelles Lernen und Computer Vision.
ImageNette enthält insgesamt 13.394 Bilder – 9.469 für das Training und 3.925 für die Validierung – aus 10 Klassen: Schleie, Englischer Springer, Kassettenrekorder, Kettensäge, Kirche, Waldhorn, Müllwagen, Zapfsäule, Golfball und Fallschirm. Jede Klasse ist in einem eigenen Ordner gespeichert und folgt damit der standardmäßigen Klassifizierungsstruktur, die Ultralytics erwartet.
Um ein YOLO-Modell 100 Epochen lang mit ImageNette zu trainieren, verwende die folgenden Befehle. Stelle sicher, dass die Ultralytics-YOLO-Umgebung eingerichtet ist.
Trainingsbeispielfrom 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 Informationen findest du auf der Dokumentationsseite Training.
Der ImageNette-Datensatz bietet mehrere Vorteile:
- Schnell und unkompliziert: Mit nur 10 Klassen und etwa 13.000 Bildern ist das Training wesentlich weniger komplex und zeitaufwendig als beim vollständigen ImageNet.
- Für die Ausbildung: Ideal, um die Grundlagen der Bildklassifizierung zu erlernen und zu vermitteln, da weniger Rechenleistung und Zeit erforderlich sind.
- Vielseitig einsetzbar: Wird häufig zum Trainieren und Benchmarking von Modellen zur Bildklassifizierung verwendet, insbesondere von Faltungsneuronalen Netzen (CNNs).
Weitere Informationen zum Training von Modellen und zur Verwaltung von Datensätzen findest du im Abschnitt Datensatzstruktur.
Ja, ImageNette ist auch in zwei skalierten Versionen verfügbar: ImageNette160 und ImageNette320. Die Bilder dieser Versionen werden auf kleinere maximale Kantenlängen skaliert. Diese Versionen ermöglichen schnelleres Prototyping und sind besonders nützlich, wenn die Rechenressourcen begrenzt sind.
Trainingsbeispiel mit ImageNette160from 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.
Der ImageNette-Datensatz wird umfassend eingesetzt für:
- Ausbildung: Zur Vermittlung der Grundlagen des maschinellen Lernens und von Computer Vision an Einsteiger.
- Softwareentwicklung: Für das schnelle Prototyping und die Entwicklung von Modellen zur Bildklassifizierung.
- Deep-Learning-Forschung: Zur Bewertung und zum Benchmarking der Leistung verschiedener Deep-Learning-Modelle, insbesondere von faltungsneuronalen Netzen (CNNs).
Im Abschnitt Anwendungen findest du detaillierte Anwendungsfälle.