Link to this sectionConjunto de datos ImageNet10#

El conjunto de datos ImageNet10 de Ultralytics (data="imagenet10") es un subconjunto diminuto de 24 imágenes de ImageNet que abarca sus 10 primeras clases, creado para pruebas de integración continua, verificaciones de integridad y validación rápida de pipelines de entrenamiento. Contiene 12 imágenes de entrenamiento y 12 de validación organizadas en la misma estructura de carpetas WordNet-synset que el conjunto de datos completo, por lo que un modelo que se entrena en ImageNet se entrena en ImageNet10 sin cambios, en segundos en lugar de horas. Está diseñado para verificar que un pipeline se ejecuta de principio a fin, no para realizar pruebas comparativas de precisión.

Link to this sectionCaracterísticas clave#

• ImageNet10 contiene solo 24 imágenes (12 de entrenamiento, 12 de validación) extraídas de las 10 primeras clases de ImageNet.
• El conjunto de datos está organizado según la jerarquía WordNet, replicando las carpetas synset por clase del conjunto de datos completo de ImageNet.
• Está construido específicamente para pruebas de integración continua, verificaciones de integridad y depuración rápida de pipelines de entrenamiento en tareas de visión artificial.
• Aunque no está diseñado para el benchmarking de modelos, proporciona una indicación rápida de la funcionalidad básica y la corrección de un modelo.

Link to this sectionEstructura del dataset#

ImageNet10 se distribuye con una división predefinida, utilizando las 10 primeras clases del conjunto de datos completo de ImageNet (desde n01440764 tench hasta n01518878 ostrich):

Cada una de las 10 clases es un synset de WordNet (un conjunto de términos sinónimos), y las imágenes se encuentran en carpetas por clase nombradas por el ID del synset, el diseño exacto que espera el entrenamiento de clasificación de Ultralytics. Esto convierte a ImageNet10 en un sustituto compacto y estructuralmente fiel del conjunto de datos completo al probar que un modelo reconoce el formato de carpeta esperado.

Explora ImageNet10 en la plataforma Ultralytics para navegar por las imágenes agrupadas por clase, ver la distribución de clases en la pestaña Charts y clonarlo para entrenar tu propio modelo en la nube.

Link to this sectionAplicaciones#

El conjunto de datos ImageNet10 es útil para probar y depurar rápidamente modelos y pipelines de visión artificial. Su pequeño tamaño permite una iteración rápida, lo que lo hace ideal para pruebas de integración continua y verificaciones de integridad. También es práctico para realizar pruebas preliminares rápidas de nuevos modelos o cambios de código antes de pasar a ejecuciones a gran escala con el conjunto de datos completo de ImageNet.

Link to this sectionUso#

Para probar un modelo de clasificación en el conjunto de datos ImageNet10 con un tamaño de imagen de 224x224, utiliza los fragmentos de código siguientes. Para obtener una lista completa de los argumentos disponibles, consulta la página de entrenamiento del modelo.

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="imagenet10", epochs=5, imgsz=224)

Link to this sectionMuestras de imágenes y anotaciones#

El conjunto de datos ImageNet10 contiene un subconjunto de imágenes del conjunto de datos original de ImageNet, seleccionado para representar sus 10 primeras clases y proporcionar un recurso diverso pero compacto para pruebas y evaluaciones rápidas.

El ejemplo muestra la variedad y complejidad de las imágenes en el conjunto de datos ImageNet10, destacando su utilidad para verificaciones de integridad y pruebas rápidas de modelos de visión artificial.

Link to this sectionCitas y agradecimientos#

Si utilizas el conjunto de datos ImageNet10 en tu trabajo de investigación o desarrollo, por favor cita el artículo original de ImageNet:

@article{ILSVRC15,
         author = {Olga Russakovsky and Jia Deng and Hao Su and Jonathan Krause and Sanjeev Satheesh and Sean Ma and Zhiheng Huang and Andrej Karpathy and Aditya Khosla and Michael Bernstein and Alexander C. Berg and Li Fei-Fei},
         title={ImageNet Large Scale Visual Recognition Challenge},
         year={2015},
         journal={International Journal of Computer Vision (IJCV)},
         volume={115},
         number={3},
         pages={211-252}
}

Nos gustaría agradecer al equipo de ImageNet, dirigido por Olga Russakovsky, Jia Deng y Li Fei-Fei, por crear y mantener el conjunto de datos ImageNet. El subconjunto ImageNet10, creado por Ultralytics, es un recurso valioso para pruebas y depuración rápidas en la comunidad de investigación de aprendizaje automático y visión artificial. Para obtener más información sobre el conjunto de datos ImageNet y sus creadores, visita el sitio web de ImageNet.

Link to this sectionFAQ#

Link to this section¿Qué es el conjunto de datos ImageNet10 y en qué se diferencia del conjunto de datos ImageNet completo?#

El conjunto de datos ImageNet10 es un subconjunto compacto de la base de datos ImageNet, creado por Ultralytics para pruebas de CI rápidas, verificaciones de integridad y evaluaciones de pipelines de entrenamiento. Contiene 24 imágenes (12 de entrenamiento y 12 de validación) de las 10 primeras clases de ImageNet. A pesar de su pequeño tamaño, conserva la estructura de carpetas WordNet del conjunto de datos completo, lo que lo hace ideal para probar pipelines rápidamente, pero no para realizar benchmarks de precisión del modelo.

Link to this section¿Cuántas imágenes y clases tiene ImageNet10?#

ImageNet10 contiene 24 imágenes en total —12 para entrenamiento y 12 para validación— distribuidas entre las 10 primeras clases de ImageNet. Cada clase es un synset de WordNet almacenado en su propia carpeta, por lo que el conjunto de datos refleja el diseño del conjunto de datos completo de ImageNet en una fracción del tamaño.

Link to this section¿Cómo puedo utilizar el conjunto de datos ImageNet10 para probar mi modelo de aprendizaje profundo?#

Para probar tu modelo de clasificación en ImageNet10 con un tamaño de imagen de 224x224, utiliza los siguientes fragmentos de código.

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="imagenet10", epochs=5, imgsz=224)

Consulta la página de Entrenamiento para obtener una lista completa de los argumentos disponibles.

Link to this section¿Por qué debería utilizar el conjunto de datos ImageNet10 para pruebas de CI y verificaciones de integridad?#

ImageNet10 está diseñado específicamente para pruebas de CI, verificaciones de integridad y evaluaciones rápidas en pipelines de aprendizaje profundo. Su tamaño de 24 imágenes permite una iteración casi instantánea, lo que lo hace ideal para la integración continua donde la velocidad es crucial. Al preservar la estructura de carpetas del conjunto de datos completo de ImageNet, proporciona una verificación fiable de la funcionalidad básica y la corrección de un modelo sin la sobrecarga de procesar un conjunto de datos grande.

Link to this section¿Cómo se compara ImageNet10 con otros conjuntos de datos pequeños como ImageNette?#

Aunque tanto ImageNet10 como ImageNette son subconjuntos de ImageNet, tienen propósitos diferentes. ImageNet10 contiene solo 24 imágenes de las 10 primeras clases, lo que lo hace extremadamente ligero para pruebas de CI y verificaciones de integridad rápidas. Por el contrario, ImageNette contiene más de 13,000 imágenes en 10 clases fácilmente distinguibles, lo que lo hace adecuado para el entrenamiento y desarrollo real de modelos. ImageNet10 verifica la funcionalidad del pipeline, mientras que ImageNette es mejor para experimentos de entrenamiento significativos pero más rápidos que con el ImageNet completo.