Conjunto de datos ImageNette#

13,394

Imagenette

ultralytics

publicClassify

Imagenette is fast.ai's ten-class ImageNet subset designed for faster classification experiments. Its human-readable classes include tench, English springer, church, chain saw, French horn, garbage truck, gas pump, golf ball, parachute, and cassette player.

10 classes944.7 MBSep 2, 2026

tenchEnglish springercassette playerchain saw+6

image-classificationimagenetteimagenet+1

El conjunto de datos ImageNette es un subconjunto de ImageNet con 10 clases fáciles de distinguir, creado por fast.ai para ofrecer una versión de ImageNet más rápida y fácil de usar para el desarrollo de software y la educación. Contiene 13 394 imágenes en color —9469 para entrenamiento y 3925 para validación— de clases como tenca, springer spaniel inglés, reproductor de casetes y trompa francesa, por lo que los modelos de clasificación de imágenes se entrenan en minutos, en lugar de las horas que requiere ImageNet completo, con sus 1000 clases.

Características principales#

• ImageNette contiene 13 394 imágenes de 10 clases: tenca, springer spaniel inglés, reproductor de casetes, motosierra, iglesia, trompa francesa, camión de basura, surtidor de gasolina, pelota de golf y paracaídas.
• Incluye una división predefinida de 9469 imágenes en color para entrenamiento y 3925 para validación, con dimensiones variadas.
• Las 10 clases bien diferenciadas hacen que ImageNette sea rápido de entrenar y fácil de entender, por lo que se utiliza mucho para crear prototipos y enseñar clasificación de imágenes.

Estructura del conjunto de datos#

ImageNette incluye una división predefinida de entrenamiento y validación, con cada clase almacenada en su propia carpeta:

El número exacto de imágenes varía según la clase, lo que ofrece una distribución realista para entrenar y evaluar rápidamente sin la escala del conjunto de datos ImageNet completo.

Aplicaciones#

El conjunto de datos ImageNette se utiliza ampliamente para entrenar y evaluar modelos de aprendizaje profundo en tareas de clasificación de imágenes, como las redes neuronales convolucionales (CNNs) y otros algoritmos de aprendizaje automático. Su formato sencillo y sus clases bien seleccionadas lo convierten en un recurso práctico tanto para principiantes como para profesionales con experiencia en aprendizaje automático y visión artificial.

Uso#

Para entrenar un modelo con el conjunto de datos ImageNette durante 100 épocas y un tamaño de imagen estándar de 224x224, puedes utilizar los siguientes fragmentos de código. Consulta la página de entrenamiento del modelo para ver una lista completa de los argumentos disponibles.

from ultralytics import YOLO

# Cargar un modelo
model = YOLO("yolo26n-cls.pt")  # Carga un modelo preentrenado (recomendado para el entrenamiento)

# Entrenar el modelo
results = model.train(data="imagenette", epochs=100, imgsz=224)

Imágenes de muestra y anotaciones#

El conjunto de datos ImageNette contiene imágenes en color de diversos objetos y escenas, lo que ofrece variedad para las tareas de clasificación de imágenes. Aquí tienes algunos ejemplos de imágenes del conjunto de datos:

El ejemplo muestra la variedad y complejidad de las imágenes del conjunto de datos ImageNette y destaca la importancia de contar con datos variados para entrenar modelos robustos de clasificación de imágenes.

ImageNette160 e ImageNette320#

Para crear prototipos y entrenar más rápido, ImageNette también está disponible en dos tamaños reducidos: ImageNette160 e ImageNette320. Estos conjuntos de datos mantienen las mismas clases y estructura que ImageNette completo, pero las imágenes se redimensionan para reducir la longitud máxima del borde. Son especialmente útiles para las primeras pruebas de modelos o cuando los recursos computacionales son limitados.

Para utilizar estos conjuntos de datos, solo tienes que sustituir imagenette por imagenette160 o imagenette320 en el comando de entrenamiento. Estos fragmentos de código muestran cómo hacerlo:

from ultralytics import YOLO

# Cargar un modelo
model = YOLO("yolo26n-cls.pt")  # Carga un modelo preentrenado (recomendado para el entrenamiento)

# Entrenar el modelo con ImageNette160
results = model.train(data="imagenette160", epochs=100, imgsz=160)

from ultralytics import YOLO

# Cargar un modelo
model = YOLO("yolo26n-cls.pt")  # Carga un modelo preentrenado (recomendado para el entrenamiento)

# Entrenar el modelo con ImageNette320
results = model.train(data="imagenette320", epochs=100, imgsz=320)

Estas versiones más pequeñas del conjunto de datos permiten iterar rápidamente durante el desarrollo y, al mismo tiempo, plantean tareas realistas de clasificación de imágenes. También puedes gestionar conjuntos de datos de clasificación y ejecutar entrenamientos en la nube con Ultralytics Platform.

Citas y agradecimientos#

Si utilizas el conjunto de datos ImageNette en tu trabajo de investigación o desarrollo, menciónalo debidamente. Para obtener más información sobre ImageNette, visita la página de ImageNette en GitHub.

Queremos dar las gracias al equipo de fast.ai por crear y mantener ImageNette como un recurso valioso para la comunidad de investigación de aprendizaje automático y visión artificial.

Preguntas frecuentes#