ImageWoof-Datensatz

Der ImageWoof-Datensatz ist eine Teilmenge von ImageNet und besteht aus 10 Klassen, die aufgrund ihrer Zugehörigkeit zu verschiedenen Hunderassen schwer zu klassifizieren sind. Er wurde als anspruchsvollere Aufgabe für Bildklassifizierungs-Algorithmen entwickelt, um die Entwicklung fortschrittlicherer Modelle zu fördern.

Hauptmerkmale

• ImageWoof enthält Bilder von 10 verschiedenen Hunderassen: Australian Terrier, Border Terrier, Samojede, Beagle, Shih-Tzu, English Foxhound, Rhodesian Ridgeback, Dingo, Golden Retriever und Old English Sheepdog.
• Der Datensatz stellt Bilder in verschiedenen Auflösungen bereit (volle Größe, 320px, 160px), um unterschiedlichen Rechenkapazitäten und Forschungsanforderungen gerecht zu werden.
• Er enthält auch eine Version mit verrauschten Labels, die ein realistischeres Szenario bietet, in dem Labels nicht immer zuverlässig sein könnten.

Datensatzstruktur

Die Struktur des ImageWoof-Datensatzes basiert auf den Klassen der Hunderassen, wobei jede Rasse ihr eigenes Verzeichnis für Bilder hat. Ähnlich wie bei anderen Klassifizierungs-Datensätzen folgt er einem Format mit getrennten Verzeichnissen für Trainings- und Validierungssets.

Anwendungen

Der ImageWoof-Datensatz wird häufig zum Trainieren und Evaluieren von Deep Learning-Modellen bei Bildklassifizierungsaufgaben verwendet, insbesondere bei komplexeren und ähnlichen Klassen. Die Herausforderung des Datensatzes liegt in den subtilen Unterschieden zwischen den Hunderassen, die die Grenzen der Modellleistung und -verallgemeinerung austesten. Er ist besonders wertvoll für:

• Benchmarking der Leistung von Klassifizierungsmodellen für fein unterteilte Kategorien
• Testen der Modellrobustheit gegenüber ähnlich aussehenden Klassen
• Entwicklung von Algorithmen, die subtile visuelle Unterschiede unterscheiden können
• Evaluierung von Transfer-Learning-Fähigkeiten von allgemeinen zu spezifischen Domänen

Verwendung

Um ein CNN-Modell auf dem ImageWoof-Datensatz für 100 Epochen mit einer Bildgröße von 224x224 zu trainieren, kannst du die folgenden Code-Schnipsel verwenden. Eine umfassende Liste der verfügbaren Argumente findest du auf der Trainings-Seite 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="imagewoof", epochs=100, imgsz=224)

Datensatz-Varianten

Der ImageWoof-Datensatz ist in drei verschiedenen Größen erhältlich, um unterschiedlichen Forschungsbedürfnissen und Rechenkapazitäten gerecht zu werden:

1. Volle Größe (imagewoof): Dies ist die Originalversion des ImageWoof-Datensatzes. Er enthält Bilder in voller Größe und ist ideal für das endgültige Training und Leistungs-Benchmarking.

2. Mittlere Größe (imagewoof320): Diese Version enthält Bilder, die auf eine maximale Kantenlänge von 320 Pixeln skaliert wurden. Sie eignet sich für schnelleres Training, ohne die Modellleistung wesentlich zu beeinträchtigen.

3. Kleine Größe (imagewoof160): Diese Version enthält Bilder, die auf eine maximale Kantenlänge von 160 Pixeln skaliert wurden. Sie ist für schnelles Prototyping und Experimente konzipiert, bei denen die Trainingsgeschwindigkeit Vorrang hat.

Um diese Varianten in deinem Training zu verwenden, ersetze einfach 'imagewoof' im Datensatz-Argument durch 'imagewoof320' oder 'imagewoof160'. Zum Beispiel:

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n-cls.pt")  # load a pretrained model (recommended for training)

# For medium-sized dataset
model.train(data="imagewoof320", epochs=100, imgsz=224)

# For small-sized dataset
model.train(data="imagewoof160", epochs=100, imgsz=224)

Es ist wichtig zu beachten, dass die Verwendung kleinerer Bilder wahrscheinlich zu einer geringeren Leistung bei der Klassifizierungsgenauigkeit führt. Es ist jedoch eine hervorragende Möglichkeit, in den frühen Phasen der Modellentwicklung und des Prototypings schnell zu iterieren.

Beispielbilder und Annotationen

Der ImageWoof-Datensatz enthält farbenfrohe Bilder verschiedener Hunderassen und bietet einen herausfordernden Datensatz für Bildklassifizierungsaufgaben. Hier sind einige Beispiele für Bilder aus dem Datensatz:

Das Beispiel verdeutlicht die subtilen Unterschiede und Ähnlichkeiten zwischen den verschiedenen Hunderassen im ImageWoof-Datensatz und unterstreicht die Komplexität und Schwierigkeit der Klassifizierungsaufgabe.

Zitate und Danksagungen

Wenn du den ImageWoof-Datensatz in deiner Forschung oder Entwicklungsarbeit verwendest, stelle bitte sicher, dass du die Ersteller des Datensatzes nennst, indem du auf das offizielle Datensatz-Repository verlinkst.

Wir möchten dem FastAI-Team dafür danken, dass es den ImageWoof-Datensatz als wertvolle Ressource für die Machine Learning und Computer Vision-Forschungsgemeinschaft erstellt und gepflegt hat. Weitere Informationen zum ImageWoof-Datensatz findest du im ImageWoof-Datensatz-Repository.

FAQ

Was ist der ImageWoof-Datensatz in Ultralytics?

Der ImageWoof-Datensatz ist eine herausfordernde Teilmenge von ImageNet, die sich auf 10 spezifische Hunderassen konzentriert. Er wurde entwickelt, um die Grenzen von Bildklassifizierungsmodellen zu testen, und umfasst Rassen wie Beagle, Shih-Tzu und Golden Retriever. Der Datensatz enthält Bilder in verschiedenen Auflösungen (volle Größe, 320px, 160px) und sogar verrauschte Labels für realistischere Trainingsszenarien. Diese Komplexität macht ImageWoof ideal für die Entwicklung fortschrittlicherer Deep Learning-Modelle.

Wie kann ich ein Modell mit dem ImageWoof-Datensatz mit Ultralytics YOLO trainieren?

Um ein Convolutional Neural Network-Modell (CNN) auf dem ImageWoof-Datensatz mit Ultralytics YOLO für 100 Epochen bei einer Bildgröße von 224x224 zu trainieren, kannst du den folgenden Code verwenden:

from ultralytics import YOLO

model = YOLO("yolo26n-cls.pt")  # Load a pretrained model
results = model.train(data="imagewoof", epochs=100, imgsz=224)

Weitere Details zu den verfügbaren Trainingsargumenten findest du auf der Trainings-Seite.

Welche Versionen des ImageWoof-Datensatzes sind verfügbar?

Der ImageWoof-Datensatz ist in drei Größen erhältlich:

1. Volle Größe (imagewoof): Ideal für das endgültige Training und Benchmarking, enthält Bilder in voller Größe.
2. Mittlere Größe (imagewoof320): Skalierte Bilder mit einer maximalen Kantenlänge von 320 Pixeln, geeignet für schnelleres Training.
3. Kleine Größe (imagewoof160): Skalierte Bilder mit einer maximalen Kantenlänge von 160 Pixeln, perfekt für schnelles Prototyping.

Verwende diese Versionen, indem du 'imagewoof' im Datensatz-Argument entsprechend ersetzt. Beachte jedoch, dass kleinere Bilder eine geringere Klassifizierungsgenauigkeit liefern können, aber für schnellere Iterationen nützlich sind.

Wie profitieren Trainings von verrauschten Labels im ImageWoof-Datensatz?

Verrauschte Labels im ImageWoof-Datensatz simulieren reale Bedingungen, unter denen Labels nicht immer korrekt sein könnten. Das Trainieren von Modellen mit diesen Daten hilft dabei, Robustheit und Verallgemeinerung bei Bildklassifizierungsaufgaben zu entwickeln. Dies bereitet die Modelle darauf vor, effektiv mit mehrdeutigen oder falsch beschrifteten Daten umzugehen, was in praktischen Anwendungen häufig vorkommt.

Was sind die größten Herausforderungen bei der Verwendung des ImageWoof-Datensatzes?

Die größte Herausforderung des ImageWoof-Datensatzes liegt in den subtilen Unterschieden zwischen den enthaltenen Hunderassen. Da er sich auf 10 eng verwandte Rassen konzentriert, erfordert die Unterscheidung zwischen ihnen fortschrittlichere und fein abgestimmte Bildklassifizierungsmodelle. Dies macht ImageWoof zu einem exzellenten Benchmark, um die Fähigkeiten und Verbesserungen von Deep Learning-Modellen zu testen.