ImageWoof-Datensatz#

12,951

ImageWoof

ultralytics

publicClassify

ImageWoof is fast.ai's fine-grained ImageNet subset spanning ten visually similar dog breeds. It provides a compact but challenging classification benchmark for learning subtle differences in coat, head shape, body structure, pose, and background context.

10 classes884 MBSep 2, 2026

Shih-TzuRhodesian ridgebackBeagleEnglish foxhound+6

image-classificationimagewoofimagenet+2

Der ImageWoof-Datensatz ist eine Teilmenge von ImageNet und umfasst 10 Hundeklassen, die absichtlich schwer voneinander zu unterscheiden sind. Er wurde von fast.ai als anspruchsvollere Herausforderung für Algorithmen zur Bildklassifizierung erstellt. Der Datensatz enthält 12.954 Farbbilder – 9.025 für das Training und 3.929 für die Validierung – von Rassen wie Beagle, Shih-Tzu und Golden Retriever und fordert Modelle dazu heraus, subtile feingranulare Unterschiede statt offensichtlicher Objektkategorien zu erkennen.

Wichtige Funktionen#

• ImageWoof enthält 12.954 Bilder von 10 Hunderassen: Australian Terrier, Border Terrier, Samojede, Beagle, Shih-Tzu, English Foxhound, Rhodesian Ridgeback, Dingo, Golden Retriever und Old English Sheepdog.
• Der Datensatz enthält eine vordefinierte Aufteilung in 9.025 Trainings- und 3.929 Validierungsbilder, die in verschiedenen Auflösungen (vollständige Größe, 320px, 160px) verfügbar sind, um unterschiedlichen Rechenbudgets gerecht zu werden.
• Außerdem ist eine Version mit verrauschten Labels enthalten, die ein realistischeres Szenario bietet, in dem die Labels nicht immer zuverlässig sind.

Datensatzstruktur#

ImageWoof enthält eine vordefinierte Aufteilung in Training und Validierung, wobei jede Hunderasse in einem eigenen Ordner gespeichert ist:

Da alle 10 Klassen Hunderassen sind, ist die Aufteilung darauf ausgelegt, die feingranulare Klassifizierung – also die Unterscheidung visuell ähnlicher Kategorien – zu testen und nicht die allgemeine Objekterkennung des vollständigen ImageNet-Datensatzes.

Anwendungen#

Der ImageWoof-Datensatz wird häufig zum Trainieren und Bewerten von Deep-Learning-Modellen für komplexere und ähnlichere Klassen verwendet. Die Herausforderung liegt in den subtilen Unterschieden zwischen den Hunderassen, wodurch die Grenzen der Modellleistung und Generalisierung ausgelotet werden. Der Datensatz ist besonders wertvoll für:

• Bewertung der Klassifizierungsleistung bei feingranularen Kategorien
• Testen der Robustheit von Modellen gegenüber ähnlich aussehenden Klassen
• Entwicklung von Algorithmen, die subtile visuelle Unterschiede erkennen können
• Bewertung des Transferlernens von allgemeinen auf spezifische Domänen

Verwendung#

Um ein Klassifizierungsmodell auf dem ImageWoof-Datensatz 100 Epochen lang mit einer Bildgröße von 224x224 zu trainieren, verwende die folgenden Codeausschnitte. Eine vollständige 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="imagewoof", epochs=100, imgsz=224)

Varianten des Datensatzes#

ImageWoof ist in drei Größen verfügbar, um unterschiedlichen Forschungsanforderungen und Rechenbudgets gerecht zu werden:

1. Vollständige Größe (imagewoof): Die ursprüngliche Version mit Bildern in voller Größe, ideal für das abschließende Training und Leistungsbenchmarks.
2. Mittlere Größe (imagewoof320): Bilder, deren maximale Kantenlänge auf 320 Pixel verkleinert wurde; geeignet für schnelleres Training, ohne die Modellleistung wesentlich zu beeinträchtigen.
3. Kleine Größe (imagewoof160): Bilder, deren maximale Kantenlänge auf 160 Pixel verkleinert wurde; für schnelles Prototyping und Experimente konzipiert, bei denen die Trainingsgeschwindigkeit Priorität hat.

Um diese Varianten zu verwenden, ersetze einfach imagewoof im Datensatzargument 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)

Beachte, dass kleinere Bilder wahrscheinlich eine geringere Genauigkeit bei der Klassifizierung liefern, aber eine hervorragende Möglichkeit sind, in den frühen Phasen der Modellentwicklung schnell zu iterieren. Du kannst Klassifizierungsdatensätze auch verwalten und das Training mit der Ultralytics Platform in der Cloud ausführen.

Beispielbilder und Annotationen#

Der ImageWoof-Datensatz enthält farbenfrohe Bilder verschiedener Hunderassen und stellt eine anspruchsvolle Datengrundlage für Aufgaben der Bildklassifizierung dar. Hier sind einige Beispiele aus dem Datensatz:

Das Beispiel zeigt die subtilen Unterschiede und Ähnlichkeiten zwischen den verschiedenen Hunderassen und verdeutlicht die Komplexität und Schwierigkeit der Klassifizierungsaufgabe.

Zitate und Danksagungen#

Wenn du den ImageWoof-Datensatz in deiner Forschungs- oder Entwicklungsarbeit verwendest, würdige bitte die Ersteller des Datensatzes, indem du auf das offizielle Datensatz-Repository verlinkst.

Wir möchten dem fast.ai-Team für die Erstellung und Pflege von ImageWoof als wertvolle Ressource für die Forschungs-Community im Bereich maschinelles Lernen und Computer Vision danken. Weitere Informationen zu ImageWoof findest du im ImageWoof-Datensatz-Repository.

FAQ#