ImageNette Datensatz

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

Hauptmerkmale

• ImageNette enthält Bilder aus 10 verschiedenen Klassen wie Schleie, English springer, Kassettenspieler, Kettensäge, Kirche, Waldhorn, Müllwagen, Zapfsäule, Golfball, Fallschirm.
• Der Datensatz besteht aus farbigen Bildern mit unterschiedlichen Abmessungen.
• 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. Training Set: Diese Teilmenge enthält mehrere Tausend Bilder, die für das Training von Machine-Learning-Modellen verwendet werden. Die genaue Anzahl variiert je nach Klasse.
2. Validierungssatz: Diese Teilmenge 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 Bewerten von Deep-Learning-Modellen für Bildklassifizierungsaufgaben verwendet, z. B. für Convolutional Neural Networks (CNNs) und verschiedene andere Machine-Learning-Algorithmen. Das übersichtliche Format und die gut ausgewählten Klassen machen den Datensatz 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, kannst du die folgenden Codeschnipsel verwenden. Eine umfassende Liste der verfügbaren Argumente findest du auf der Seite Modelltraining.

from ultralytics import YOLO

# Load a model
model = YOLO('yolov8n-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 detect train data=imagenette model=yolov8n-cls.pt epochs=100 imgsz=224

Beispielbilder und Anmerkungen

Der ImageNette-Datensatz enthält farbige Bilder von verschiedenen Objekten und Szenen und bietet damit einen vielfältigen Datensatz für Bildklassifizierungsaufgaben. Hier sind einige Beispiele für Bilder aus diesem 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 der ImageNette-Datensatz auch in zwei reduzierten Größen erhältlich: ImageNette160 und ImageNette320. Diese Datensätze enthalten die gleichen Klassen und die gleiche Struktur wie der vollständige ImageNette-Datensatz, aber die Bilder sind auf eine kleinere Größe reduziert. Daher sind diese Versionen des Datensatzes 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 Codeschnipsel veranschaulichen dies:

from ultralytics import YOLO

# Load a model
model = YOLO('yolov8n-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 detect train data=imagenette160 model=yolov8n-cls.pt epochs=100 imgsz=160

from ultralytics import YOLO

# Load a model
model = YOLO('yolov8n-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 detect train data=imagenette320 model=yolov8n-cls.pt epochs=100 imgsz=320

Diese kleineren Versionen des Datensatzes ermöglichen schnelle Iterationen während des Entwicklungsprozesses und liefern dennoch wertvolle und realistische Bildklassifizierungsaufgaben.

Zitate und Danksagungen

Wenn du den ImageNette-Datensatz in deiner Forschungs- oder Entwicklungsarbeit verwendest, erwähne ihn bitte in angemessener Weise. Weitere Informationen über den ImageNette-Datensatz findest du auf der ImageNette-Datensatz-GitHub-Seite.

Kommentare