ImageNette-Datensatz#

13,394

Imagenette

ultralytics

publicClassify

Imagenette is fast.ai's ten-class ImageNet subset designed for faster classification experiments. Its human-readable classes include tench, English springer, church, chain saw, French horn, garbage truck, gas pump, golf ball, parachute, and cassette player.

10 classes944.7 MBSep 2, 2026

tenchEnglish springercassette playerchain saw+6

image-classificationimagenetteimagenet+1

Der Datensatz ImageNette ist eine Teilmenge von ImageNet mit 10 leicht unterscheidbaren Klassen. fast.ai hat ihn erstellt, um eine schnellere und einfacher zu verwendende ImageNet-Version für die Softwareentwicklung und Ausbildung bereitzustellen. Er enthält 13.394 Farbbilder – 9.469 für das Training und 3.925 für die Validierung – mit Klassen wie Schleie, englischer Springer-Spaniel, Kassettenrekorder und Waldhorn. Dadurch lassen sich Bildklassifizierungsmodelle in wenigen Minuten trainieren statt in den Stunden, die das vollständige ImageNet mit 1.000 Klassen benötigt.

Wichtige Funktionen#

• ImageNette umfasst 13.394 Bilder aus 10 Klassen: Schleie, englischer Springer-Spaniel, Kassettenrekorder, Kettensäge, Kirche, Waldhorn, Müllwagen, Zapfsäule, Golfball und Fallschirm.
• Der Datensatz enthält eine vordefinierte Aufteilung mit 9.469 Farbbildern für das Training und 3.925 für die Validierung, jeweils in unterschiedlichen Abmessungen.
• Dank der 10 klar voneinander abgegrenzten Klassen lässt sich ImageNette schnell trainieren und einfach nachvollziehen. Daher wird der Datensatz häufig für Prototypen und die Vermittlung von Bildklassifizierung verwendet.

Datensatzstruktur#

ImageNette enthält eine vordefinierte Aufteilung in Trainings- und Validierungsdaten. Jede Klasse befindet sich in einem eigenen Ordner:

Die genaue Anzahl der Bilder variiert je nach Klasse. So ergibt sich eine realistische Verteilung für schnelles Training und Benchmarking, ohne den Umfang des vollständigen ImageNet-Datensatzes.

Anwendungsfälle#

Der ImageNette-Datensatz wird häufig zum Trainieren und Auswerten von Deep-Learning-Modellen für Bildklassifizierungsaufgaben verwendet, etwa für faltende neuronale Netze (CNNs) und andere Algorithmen des maschinellen Lernens. Dank seines einfachen Formats und der sorgfältig ausgewählten Klassen ist er eine praktische Ressource für Einsteiger und erfahrene Fachleute im Bereich maschinelles Lernen und Computer Vision.

Verwendung#

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

from ultralytics import YOLO

# Ein Modell laden
model = YOLO("yolo26n-cls.pt")  # ein vortrainiertes Modell laden (für das Training empfohlen)

# Das Modell trainieren
results = model.train(data="imagenette", epochs=100, imgsz=224)

Beispielbilder und Annotationen#

Der ImageNette-Datensatz enthält Farbbilder verschiedener Objekte und Szenen und bietet damit eine vielfältige Datengrundlage für Aufgaben der Bildklassifizierung. Hier sind einige Beispielbilder aus dem Datensatz:

Das Beispiel zeigt die Vielfalt und Komplexität der Bilder im ImageNette-Datensatz und verdeutlicht, wie wichtig ein vielfältiger Datensatz für das Training robuster Bildklassifizierungsmodelle ist.

ImageNette160 und ImageNette320#

Für schnelleres Prototyping und Training ist ImageNette auch in zwei verkleinerten Varianten verfügbar: ImageNette160 und ImageNette320. Diese Datensätze haben dieselben Klassen und dieselbe Struktur wie das vollständige ImageNette, aber die Bilder wurden auf eine geringere maximale Kantenlänge verkleinert. Sie eignen sich besonders für vorläufige Modelltests oder bei begrenzten Rechenressourcen.

Um diese Datensätze zu verwenden, ersetze in den Trainingsbefehlen einfach imagenette durch imagenette160 oder imagenette320. Die folgenden Codeausschnitte veranschaulichen dies:

from ultralytics import YOLO

# Ein Modell laden
model = YOLO("yolo26n-cls.pt")  # ein vortrainiertes Modell laden (für das Training empfohlen)

# Modell mit ImageNette160 trainieren
results = model.train(data="imagenette160", epochs=100, imgsz=160)

from ultralytics import YOLO

# Ein Modell laden
model = YOLO("yolo26n-cls.pt")  # ein vortrainiertes Modell laden (für das Training empfohlen)

# Modell mit ImageNette320 trainieren
results = model.train(data="imagenette320", epochs=100, imgsz=320)

Diese kleineren Datensatzvarianten ermöglichen schnelle Entwicklungszyklen und bieten dennoch realistische Bildklassifizierungsaufgaben. Mit der Ultralytics Platform kannst du außerdem Klassifizierungsdatensätze verwalten und in der Cloud trainieren.

Zitate und Danksagungen#

Wenn du den ImageNette-Datensatz in deiner Forschung oder Entwicklungsarbeit verwendest, erwähne ihn bitte angemessen. Weitere Informationen zu ImageNette findest du auf der GitHub-Seite des ImageNette-Datensatzes.

Wir möchten dem Team von fast.ai dafür danken, dass es ImageNette erstellt und gepflegt hat und damit eine wertvolle Ressource für die Forschungsgemeinschaft in den Bereichen maschinelles Lernen und Computer Vision bereitstellt.

Häufig gestellte Fragen#