Link to this sectionConjunto de datos ImageNette#

El conjunto de datos ImageNette es un subconjunto de ImageNet con 10 clases fácilmente distinguibles, creado por fast.ai para proporcionar una versión más rápida y fácil de usar de ImageNet para el desarrollo de software y la educación. Contiene 13.394 imágenes en color (9.469 para entrenamiento y 3.925 para validación) que abarcan clases como tenca, springer inglés, reproductor de casetes y trompa, por lo que los modelos de clasificación de imágenes se entrenan en minutos en lugar de las horas que requiere el ImageNet completo de 1.000 clases.

Link to this sectionCaracterísticas clave#

• ImageNette contiene 13.394 imágenes repartidas en 10 clases: tenca, springer inglés, reproductor de casetes, motosierra, iglesia, trompa, camión de basura, surtidor de gasolina, pelota de golf y paracaídas.
• Incluye una división predefinida de 9.469 imágenes en color para entrenamiento y 3.925 para validación de dimensiones variables.
• Las 10 clases bien diferenciadas hacen que ImageNette sea rápido de entrenar y fácil de comprender, por lo que se utiliza ampliamente para la creación de prototipos y la enseñanza de la clasificación de imágenes.

Link to this sectionEstructura del dataset#

ImageNette se entrega con una división predefinida de entrenamiento/validación, con cada clase almacenada en su propia carpeta:

El número exacto de imágenes varía según la clase, lo que proporciona una distribución realista para un entrenamiento y una evaluación rápidos sin la escala del conjunto de datos completo de ImageNet.

Link to this sectionAplicaciones#

El conjunto de datos ImageNette se utiliza ampliamente para entrenar y evaluar modelos de deep learning en tareas de clasificación de imágenes, tales como redes neuronales convolucionales (CNN) 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 experimentados en machine learning y computer vision.

Link to this sectionUso#

Para entrenar un modelo con el conjunto de datos ImageNette durante 100 épocas con un tamaño de imagen estándar de 224x224, puedes utilizar los siguientes fragmentos de código. 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="imagenette", epochs=100, imgsz=224)

Link to this sectionMuestras de imágenes y anotaciones#

El conjunto de datos ImageNette contiene imágenes en color de diversos objetos y escenas, lo que proporciona un conjunto de datos diverso para 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 en el conjunto de datos ImageNette, resaltando la importancia de contar con un conjunto de datos diverso para entrenar modelos de clasificación de imágenes robustos.

Link to this sectionImageNette160 e ImageNette320#

Para una creación de prototipos y un entrenamiento más rápidos, ImageNette también está disponible en dos tamaños reducidos: ImageNette160 e ImageNette320. Estos conjuntos de datos mantienen las mismas clases y estructura que el ImageNette completo, pero las imágenes se redimensionan a una longitud de borde máxima menor. Son particularmente útiles para pruebas preliminares de modelos o cuando los recursos computacionales son limitados.

Para usar estos conjuntos de datos, simplemente reemplaza imagenette por imagenette160 o imagenette320 en el comando de entrenamiento. Los siguientes fragmentos de código ilustran esto:

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n-cls.pt")  # load a pretrained model (recommended for training)

# Train the model with ImageNette160
results = model.train(data="imagenette160", epochs=100, imgsz=160)

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n-cls.pt")  # load a pretrained model (recommended for training)

# Train the model with ImageNette320
results = model.train(data="imagenette320", epochs=100, imgsz=320)

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

Link to this sectionCitas y agradecimientos#

Si utilizas el conjunto de datos ImageNette en tu trabajo de investigación o desarrollo, por favor reconócelo adecuadamente. Para más información sobre ImageNette, visita la página de GitHub del conjunto de datos ImageNette.

Queremos agradecer al equipo de fast.ai por crear y mantener ImageNette como un recurso valioso para la comunidad de investigación de machine learning y computer vision.

Link to this sectionFAQ#

Link to this section¿Qué es el conjunto de datos ImageNette?#

El conjunto de datos ImageNette es un subconjunto simplificado de ImageNet con 10 clases fácilmente distinguibles como tenca, springer inglés y trompa. Contiene 13.394 imágenes (9.469 de entrenamiento y 3.925 de validación) y fue creado por fast.ai para ofrecer un conjunto de datos más manejable para un entrenamiento y evaluación eficientes de modelos de clasificación de imágenes. Esto lo hace especialmente útil para el desarrollo rápido de software y fines educativos en machine learning y computer vision.

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

ImageNette contiene 13.394 imágenes en total — 9.469 para entrenamiento y 3.925 para validación — repartidas en 10 clases: tenca, springer inglés, reproductor de casetes, motosierra, iglesia, trompa, camión de basura, surtidor de gasolina, pelota de golf y paracaídas. Cada clase se almacena en su propia carpeta, siguiendo el diseño de clasificación estándar que espera Ultralytics.

Link to this section¿Cómo puedo utilizar el conjunto de datos ImageNette para entrenar un modelo YOLO?#

Para entrenar un modelo YOLO en ImageNette durante 100 épocas, utiliza los siguientes comandos. Asegúrate de tener configurado el entorno de Ultralytics YOLO.

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="imagenette", epochs=100, imgsz=224)

Para obtener más detalles, consulta la página de documentación de Entrenamiento.

Link to this section¿Por qué debería utilizar ImageNette para tareas de clasificación de imágenes?#

El conjunto de datos ImageNette es ventajoso por varias razones:

• Rápido y sencillo: Con solo 10 clases y unas 13.000 imágenes, es mucho menos complejo y consume menos tiempo de entrenamiento que el ImageNet completo.
• Uso educativo: Ideal para aprender y enseñar los fundamentos de la clasificación de imágenes, ya que requiere menos potencia computacional y tiempo.
• Versatilidad: Ampliamente utilizado para entrenar y evaluar modelos de clasificación de imágenes, especialmente redes neuronales convolucionales (CNN).

Para obtener más detalles sobre el entrenamiento de modelos y la gestión de conjuntos de datos, explora la sección Estructura del conjunto de datos.

Link to this section¿Se puede utilizar el conjunto de datos ImageNette con diferentes tamaños de imagen?#

Sí, ImageNette también está disponible en dos versiones redimensionadas, ImageNette160 e ImageNette320, cuyas imágenes se redimensionan a longitudes de borde máximas más pequeñas. Estas versiones ayudan a una creación de prototipos más rápida y son especialmente útiles cuando los recursos computacionales son limitados.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n-cls.pt")

# Train the model with ImageNette160
results = model.train(data="imagenette160", epochs=100, imgsz=160)

Para más información, consulta Entrenamiento con ImageNette160 e ImageNette320.

Link to this section¿Cuáles son algunas aplicaciones prácticas del conjunto de datos ImageNette?#

El conjunto de datos ImageNette se utiliza ampliamente en:

• Entornos educativos: Para enseñar a los principiantes los fundamentos del aprendizaje automático y computer vision.
• Desarrollo de software: Para la creación rápida de prototipos y el desarrollo de modelos de clasificación de imágenes.
• Investigación en Deep Learning: Para evaluar y comparar el rendimiento de varios modelos de deep learning, especialmente redes neuronales (CNN) convolucionales.

Explora la sección Aplicaciones para ver casos de uso detallados.