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 mit 10 Hunderassen, die absichtlich schwer voneinander zu unterscheiden sind. fast.ai hat ihn als anspruchsvollere Herausforderung für Bildklassifizierungsalgorithmen erstellt. Er enthält 12.954 Farbbilder – 9.025 für das Training und 3.929 für die Validierung – mit Rassen wie Beagle, Shih-Tzu und Golden Retriever. Dadurch müssen Modelle feine Unterschiede erkennen, statt lediglich offensichtliche Objektkategorien zu unterscheiden.

Wichtige Funktionen#

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

Datensatzstruktur#

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

Da alle 10 Klassen Hunderassen sind, soll die Aufteilung die Unterscheidung feinkörniger Klassen – also visuell ähnlicher Kategorien – prüfen und nicht die allgemeine Objekterkennung des vollständigen ImageNet-Datensatzes.

Anwendungsfälle#

Der ImageWoof-Datensatz wird häufig zum Trainieren und Auswerten von Deep-Learning-Modellen mit komplexeren und ähnlicheren Klassen verwendet. Die Herausforderung liegt in den feinen Unterschieden zwischen den Hunderassen, die die Leistungsfähigkeit und Generalisierung der Modelle auf die Probe stellen. Der Datensatz ist besonders wertvoll für:

• Das Benchmarking der Klassifizierungsleistung bei feinkörnigen Kategorien
• Das Testen der Robustheit von Modellen gegenüber ähnlich aussehenden Klassen
• Die Entwicklung von Algorithmen, die feine visuelle Unterschiede erkennen können
• Die Auswertung des Transferlernens von allgemeinen auf spezifische Anwendungsbereiche

Verwendung#

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

Datensatzvarianten#

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

1. Volle Größe (imagewoof): Die Originalversion mit Bildern in voller Größe, ideal für das abschließende Training und das Benchmarking der Leistung.
2. Mittlere Größe (imagewoof320): Bilder, deren maximale Kantenlänge auf 320 Pixel verkleinert wurde. Diese Variante eignet sich für schnelleres Training, ohne die Modellleistung wesentlich zu beeinträchtigen.
3. Kleine Größe (imagewoof160): Bilder, deren maximale Kantenlänge auf 160 Pixel verkleinert wurde. Diese Variante ist für schnelles Prototyping und Experimente gedacht, bei denen die Trainingsgeschwindigkeit entscheidend ist.

Um diese Varianten zu verwenden, ersetze im Datensatzargument einfach imagewoof durch imagewoof320 oder imagewoof160. Zum Beispiel:

from ultralytics import YOLO

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

# Für den mittelgroßen Datensatz
model.train(data="imagewoof320", epochs=100, imgsz=224)

# Für den kleinen Datensatz
model.train(data="imagewoof160", epochs=100, imgsz=224)

Beachte, dass kleinere Bilder wahrscheinlich zu einer geringeren Klassifizierungsgenauigkeit führen, sich aber hervorragend für schnelle Entwicklungszyklen in frühen Entwicklungsphasen eines Modells eignen. Mit der Ultralytics Platform kannst du außerdem Klassifizierungsdatensätze verwalten und in der Cloud trainieren.

Beispielbilder und Annotationen#

Der ImageWoof-Datensatz enthält farbenfrohe Bilder verschiedener Hunderassen und bietet eine anspruchsvolle Datengrundlage für Bildklassifizierungsaufgaben. Hier sind einige Beispielbilder aus dem Datensatz:

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

Zitate und Danksagungen#

Wenn du den ImageWoof-Datensatz in deiner Forschung oder Entwicklungsarbeit verwendest, erwähne bitte die Ersteller des Datensatzes und verlinke auf das offizielle Datensatz-Repository.

Wir möchten dem Team von fast.ai dafür danken, dass es ImageWoof erstellt und gepflegt hat und damit eine wertvolle Ressource für die Forschungsgemeinschaft in den Bereichen maschinelles Lernen und Computer Vision bereitstellt. Weitere Informationen zu ImageWoof findest du im ImageWoof-Datensatz-Repository.

Häufig gestellte Fragen#