Link to this sectionImageNette-Datensatz#

Der ImageNette-Datensatz ist eine Teilmenge von ImageNet mit 10 leicht unterscheidbaren Klassen. Er wurde von fast.ai erstellt, um eine schnellere und benutzerfreundlichere Version von ImageNet für die Softwareentwicklung und Ausbildung bereitzustellen. Er enthält 13.394 Farbbilder – 9.469 für das Training und 3.925 für die Validierung – und umfasst Klassen wie Schleie, English Springer Spaniel, Kassettenrekorder und Waldhorn, sodass Bildklassifizierungsmodelle in Minuten statt in den Stunden trainiert werden, die für das vollständige ImageNet mit 1.000 Klassen erforderlich sind.

Link to this sectionHauptfunktionen#

• 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.

Link to this sectionDatensatzstruktur#

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.

Link to this sectionAnwendungen#

Der ImageNette-Datensatz wird häufig für das Training und die Evaluierung von Deep-Learning-Modellen bei Bildklassifizierungsaufgaben verwendet, wie etwa Convolutional Neural Networks (CNNs) und anderen Machine-Learning-Algorithmen. Sein unkompliziertes Format und die gut gewählten Klassen machen ihn zu einer praktischen Ressource für Anfänger und erfahrene Anwender im Bereich Machine Learning und Computer Vision.

Link to this sectionVerwendung#

Um ein Modell auf dem ImageNette-Datensatz für 100 Epochen mit einer Standardbildgröße von 224x224 zu trainieren, kannst du die folgenden Code-Schnipsel 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)

Link to this sectionBeispielbilder und Annotationen#

Der ImageNette-Datensatz enthält farbige Bilder verschiedener Objekte und Szenen und bietet einen vielfältigen Datensatz für Bildklassifizierungsaufgaben. 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.

Link to this sectionImageNette160 und ImageNette320#

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

Um diese Datensätze zu verwenden, ersetze einfach imagenette durch imagenette160 oder imagenette320 im Trainingsbefehl. Die folgenden Code-Schnipsel 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 dennoch realistische Bildklassifizierungsaufgaben. Du kannst Klassifizierungsdatensätze auch verwalten und das Training in der Cloud mit der Ultralytics Platform durchführen.

Link to this sectionZitate und Danksagungen#

Wenn du den ImageNette-Datensatz in deiner Forschung 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, dass es ImageNette als wertvolle Ressource für die Machine-Learning- und Computer Vision-Forschungsgemeinschaft erstellt und gepflegt hat.

Link to this sectionFAQ#

Link to this sectionWas ist der ImageNette-Datensatz?#

Der ImageNette-Datensatz ist eine vereinfachte Teilmenge von ImageNet mit 10 leicht unterscheidbaren Klassen wie Schleie, English Springer Spaniel 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 handlicheren Datensatz für effizientes Training und die Evaluierung von Bildklassifizierungsmodellen anzubieten. Dies macht ihn besonders nützlich für die schnelle Softwareentwicklung und zu Bildungszwecken im Bereich Machine Learning und Computer Vision.

Link to this sectionWie viele Bilder und Klassen hat ImageNette?#

ImageNette enthält insgesamt 13.394 Bilder – 9.469 für das Training und 3.925 für die Validierung – in 10 Klassen: Schleie, English Springer Spaniel, Kassettenrekorder, Kettensäge, Kirche, Waldhorn, Müllwagen, Zapfsäule, Golfball und Fallschirm. Jede Klasse wird in einem eigenen Ordner gespeichert, entsprechend dem Standard-Klassifizierungslayout, das Ultralytics erwartet.

Link to this sectionWie kann ich den ImageNette-Datensatz für das Training eines YOLO-Modells verwenden?#

Um ein YOLO-Modell auf ImageNette für 100 Epochen zu trainieren, verwende die folgenden Befehle. 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 Dokumentationsseite Training.

Link to this sectionWarum sollte ich ImageNette für Bildklassifizierungsaufgaben verwenden?#

Der ImageNette-Datensatz bietet aus mehreren Gründen Vorteile:

• Schnell und einfach: Mit nur 10 Klassen und etwa 13.000 Bildern ist das Training weitaus weniger komplex und zeitaufwendig als beim vollständigen ImageNet.
• Bildungszwecke: Ideal zum Lernen und Lehren der Grundlagen der Bildklassifizierung, da weniger Rechenleistung und Zeit erforderlich sind.
• Vielseitigkeit: Wird häufig zum Trainieren und Bewerten von Bildklassifizierungsmodellen verwendet, insbesondere Convolutional Neural Networks (CNNs).

Weitere Einzelheiten zum Modelltraining und zur Datensatzverwaltung findest du im Abschnitt Datensatzstruktur.

Link to this sectionKann der ImageNette-Datensatz mit verschiedenen Bildgrößen verwendet werden?#

Ja, ImageNette ist auch in zwei skalierten Versionen erhältlich, ImageNette160 und ImageNette320, deren Bilder auf kleinere maximale Kantenlängen skaliert wurden. Diese Versionen unterstützen schnelleres Prototyping und sind besonders nützlich, wenn die 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.

Link to this sectionWas sind einige praktische Anwendungen des ImageNette-Datensatzes?#

Der ImageNette-Datensatz wird umfassend eingesetzt in:

• Bildungseinrichtungen: Um Anfängern die Grundlagen des Machine Learning und der Computer Vision zu vermitteln.
• Softwareentwicklung: Für schnelles Prototyping und die Entwicklung von Bildklassifizierungsmodellen.
• Deep-Learning-Forschung: Zur Evaluierung und zum Benchmarking der Leistung verschiedener Deep-Learning-Modelle, insbesondere Convolutional Neural Networks (CNNs).

Erkunde den Abschnitt Anwendungen für detaillierte Anwendungsfälle.