Conjunto 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, comprobaciones básicas y validación rápida de canalizaciones de entrenamiento. Contiene 12 imágenes de entrenamiento y 12 de validación organizadas en la misma estructura de carpetas de synsets de WordNet que el conjunto de datos completo, por lo que un modelo que se entrena con ImageNet se entrena con ImageNet10 sin cambios, en segundos en lugar de horas. Está diseñado para verificar que una canalización se ejecuta de principio a fin, no para evaluar la precisión.
Características principales#
- ImageNet10 contiene solo 24 imágenes (12 de entrenamiento y 12 de validación) extraídas de las 10 primeras clases de ImageNet.
- El conjunto de datos está organizado según la jerarquía de WordNet y reproduce las carpetas de synsets por clase del conjunto de datos completo de ImageNet.
- Está diseñado específicamente para pruebas de integración continua, comprobaciones básicas y depuración rápida de canalizaciones de entrenamiento en tareas de visión artificial.
- Aunque no está diseñado para comparar modelos, proporciona una indicación rápida de la funcionalidad básica y la corrección de un modelo.
Estructura del dataset#
ImageNet10 incluye una división predefinida que utiliza las 10 primeras clases del conjunto de datos completo de ImageNet (n01440764, lucio de arena, hasta n01518878, avestruz):
| Subconjunto | Imágenes | Clases |
|---|---|---|
| Entrenar | 12 | 10 |
| Validación | 12 | 10 |
Cada una de las 10 clases es un synset de WordNet (un conjunto de términos sinónimos) y las imágenes se encuentran en carpetas específicas de cada clase cuyo nombre es el ID del synset: la disposición exacta que espera el entrenamiento de clasificación de Ultralytics. Esto convierte ImageNet10 en un sustituto compacto y estructuralmente fiel del conjunto de datos completo para comprobar que un modelo reconoce el formato de carpetas esperado.
Explora ImageNet10 en Ultralytics Platform para examinar las imágenes agrupadas por clase, consultar la distribución de clases en la pestaña Charts y clonarlo para entrenar tu propio modelo en la nube.
Aplicaciones#
El conjunto de datos ImageNet10 resulta útil para probar y depurar rápidamente modelos y canalizaciones de visión artificial. Su reducido tamaño permite iterar con rapidez, por lo que es ideal para pruebas de integración continua y comprobaciones básicas. También resulta práctico para realizar pruebas preliminares rápidas de modelos nuevos o cambios de código antes de pasar a ejecuciones a gran escala con el conjunto de datos completo de ImageNet.
Uso#
Para probar un modelo de clasificación con el conjunto de datos ImageNet10 con un tamaño de imagen de 224x224, utiliza los fragmentos de código siguientes. Para consultar una lista completa de los argumentos disponibles, visita 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)Imágenes de ejemplo y anotaciones#
El conjunto de datos ImageNet10 contiene un subconjunto de imágenes del conjunto de datos ImageNet original, seleccionado para representar sus 10 primeras clases y proporcionar un recurso diverso y compacto para realizar pruebas y evaluaciones rápidas.
El ejemplo muestra la variedad y complejidad de las imágenes del conjunto de datos ImageNet10 y destaca su utilidad para comprobaciones básicas y pruebas rápidas de modelos de visión artificial.
Citas y agradecimientos#
Si utilizas el conjunto de datos ImageNet10 en tu trabajo de investigación o desarrollo, 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}
}Queremos reconocer la labor del 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 realizar pruebas y depuraciones 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.
Preguntas frecuentes#
El conjunto de datos ImageNet10 es un subconjunto compacto de la base de datos ImageNet, creado por Ultralytics para realizar pruebas rápidas de CI, comprobaciones básicas y evaluaciones de canalizaciones de entrenamiento. Contiene 24 imágenes (12 de entrenamiento y 12 de validación) de las 10 primeras clases de ImageNet. A pesar de su reducido tamaño, conserva la estructura de carpetas de WordNet del conjunto de datos completo, por lo que es ideal para probar canalizaciones rápidamente, pero no para comparar la precisión de los modelos.
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 reproduce la disposición del conjunto de datos completo de ImageNet con una fracción de su tamaño.
Para probar tu modelo de clasificación con ImageNet10 con un tamaño de imagen de 224x224, utiliza los siguientes fragmentos de código.
Ejemplo de pruebafrom 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 ver una lista completa de los argumentos disponibles.
ImageNet10 está diseñado específicamente para pruebas de CI, comprobaciones básicas y evaluaciones rápidas en canalizaciones de aprendizaje profundo. Su tamaño de 24 imágenes permite iterar casi al instante, por lo que es ideal para la integración continua, donde la velocidad es crucial. Al conservar la estructura de carpetas del conjunto de datos completo de ImageNet, proporciona una comprobación fiable de la funcionalidad básica y la corrección de un modelo sin la sobrecarga de procesar un conjunto de datos grande.
Aunque tanto ImageNet10 como ImageNette son subconjuntos de ImageNet, tienen objetivos diferentes. ImageNet10 contiene solo 24 imágenes de las 10 primeras clases, por lo que es extremadamente ligero para pruebas de CI y comprobaciones básicas rápidas. En cambio, ImageNette contiene más de 13 000 imágenes distribuidas entre 10 clases fácilmente distinguibles, por lo que resulta adecuado para el entrenamiento y desarrollo reales de modelos. ImageNet10 verifica la funcionalidad de la canalización, mientras que ImageNette es mejor para realizar experimentos de entrenamiento significativos, aunque más rápidos que los realizados con ImageNet completo.