Link to this sectionConjunto de datos ImageWoof#

El conjunto de datos ImageWoof es un subconjunto de ImageNet que consta de 10 clases de razas de perros que son deliberadamente difíciles de distinguir, creado por fast.ai como un desafío más duro para los algoritmos de clasificación de imágenes. Contiene 12.954 imágenes en color (9.025 para entrenamiento y 3.929 para validación) de razas como Beagle, Shih-Tzu y Golden retriever, lo que obliga a los modelos a distinguir diferencias sutiles y detalladas en lugar de categorías de objetos obvias.

Link to this sectionCaracterísticas clave#

• ImageWoof contiene 12.954 imágenes de 10 razas de perros: Australian terrier, Border terrier, Samoyed, Beagle, Shih-Tzu, English foxhound, Rhodesian ridgeback, Dingo, Golden retriever y Old English sheepdog.
• Se distribuye con una división predefinida de 9.025 imágenes de entrenamiento y 3.929 de validación, disponibles en varias resoluciones (tamaño completo, 320px, 160px) para adaptarse a diferentes presupuestos computacionales.
• También incluye una versión con etiquetas con ruido, que ofrece un escenario más realista donde las etiquetas no siempre son fiables.

Link to this sectionEstructura del dataset#

ImageWoof se distribuye con una división predefinida de entrenamiento/validación, con cada raza de perro almacenada en su propia carpeta:

Dado que las 10 clases son razas de perros, la división está diseñada para probar la clasificación de grano fino (distinguir categorías visualmente similares), en lugar del reconocimiento amplio de objetos del conjunto de datos completo ImageNet.

Link to this sectionAplicaciones#

El conjunto de datos ImageWoof se utiliza ampliamente para entrenar y evaluar modelos de deep learning en clases más complejas y similares. Su desafío reside en las diferencias sutiles entre las razas de perros, lo que lleva al límite el rendimiento y la generalización del modelo. Es especialmente valioso para:

• Realizar benchmarks del rendimiento de clasificación en categorías de grano fino
• Probar la robustez del modelo frente a clases de aspecto similar
• Desarrollar algoritmos capaces de distinguir diferencias visuales sutiles
• Evaluar el aprendizaje por transferencia desde dominios generales a específicos

Link to this sectionUso#

Para entrenar un modelo de clasificación en el conjunto de datos ImageWoof durante 100 epochs 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 Training 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="imagewoof", epochs=100, imgsz=224)

Link to this sectionVariantes del conjunto de datos#

ImageWoof viene en tres tamaños para adaptarse a diferentes necesidades de investigación y presupuestos computacionales:

1. Tamaño completo (imagewoof): La versión original con imágenes a tamaño completo, ideal para el entrenamiento final y la evaluación del rendimiento.
2. Tamaño mediano (imagewoof320): Imágenes redimensionadas a una longitud de borde máxima de 320 píxeles, adecuadas para un entrenamiento más rápido sin sacrificar significativamente el rendimiento del modelo.
3. Tamaño pequeño (imagewoof160): Imágenes redimensionadas a una longitud de borde máxima de 160 píxeles, diseñadas para la creación rápida de prototipos y la experimentación donde la velocidad de entrenamiento es una prioridad.

Para usar estas variantes, simplemente sustituye imagewoof en el argumento del conjunto de datos por imagewoof320 o imagewoof160. Por ejemplo:

from ultralytics import YOLO

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

# For medium-sized dataset
model.train(data="imagewoof320", epochs=100, imgsz=224)

# For small-sized dataset
model.train(data="imagewoof160", epochs=100, imgsz=224)

Ten en cuenta que las imágenes más pequeñas probablemente producirán una menor accuracy de clasificación, pero son una forma excelente de iterar rápidamente en las primeras etapas del desarrollo del modelo. También puedes gestionar conjuntos de datos de clasificación y ejecutar el entrenamiento en la nube con Ultralytics Platform.

Link to this sectionMuestras de imágenes y anotaciones#

El conjunto de datos ImageWoof contiene imágenes coloridas de varias razas de perros, proporcionando un conjunto de datos desafiante para tareas de clasificación de imágenes. Aquí tienes algunos ejemplos de imágenes del conjunto de datos:

El ejemplo muestra las sutiles diferencias y similitudes entre las distintas razas de perros, destacando la complejidad y dificultad de la tarea de clasificación.

Link to this sectionCitas y agradecimientos#

Si utilizas el conjunto de datos ImageWoof en tu trabajo de investigación o desarrollo, por favor reconoce a los creadores del conjunto de datos enlazando al repositorio oficial del conjunto de datos.

Nos gustaría agradecer al equipo de fast.ai por crear y mantener ImageWoof como un recurso valioso para la comunidad de investigación de machine learning y computer vision. Para obtener más información sobre ImageWoof, visita el repositorio del conjunto de datos ImageWoof.

Link to this sectionFAQ#

Link to this section¿Qué es el conjunto de datos ImageWoof en Ultralytics?#

El conjunto de datos ImageWoof es un subconjunto desafiante de ImageNet centrado en 10 razas de perros, que contiene 12.954 imágenes (9.025 de entrenamiento y 3.929 de validación). Creado por fast.ai para llevar al límite los modelos de clasificación de imágenes, incluye razas como Beagle, Shih-Tzu y Golden retriever. El conjunto de datos está disponible en varias resoluciones (tamaño completo, 320px, 160px) e incluso incluye etiquetas con ruido para escenarios de entrenamiento más realistas, lo que lo hace ideal para desarrollar modelos avanzados de deep learning.

Link to this section¿Cuántas imágenes y razas de perros tiene ImageWoof?#

ImageWoof contiene 12.954 imágenes en total (9.025 para entrenamiento y 3.929 para validación) de 10 razas de perros: Australian terrier, Border terrier, Samoyed, Beagle, Shih-Tzu, English foxhound, Rhodesian ridgeback, Dingo, Golden retriever y Old English sheepdog. Cada raza se almacena en su propia carpeta, siguiendo el diseño de clasificación estándar que espera Ultralytics.

Link to this section¿Cómo puedo entrenar un modelo usando el conjunto de datos ImageWoof con Ultralytics YOLO?#

Para entrenar un modelo de clasificación en el conjunto de datos ImageWoof usando Ultralytics YOLO durante 100 epochs con un tamaño de imagen de 224x224, utiliza el siguiente código:

from ultralytics import YOLO

model = YOLO("yolo26n-cls.pt")  # Load a pretrained model
results = model.train(data="imagewoof", epochs=100, imgsz=224)

Para obtener más detalles sobre los argumentos de entrenamiento disponibles, consulta la página de Training.

Link to this section¿Qué versiones del conjunto de datos ImageWoof están disponibles?#

El conjunto de datos ImageWoof viene en tres tamaños:

1. Tamaño completo (imagewoof): Ideal para el entrenamiento final y la evaluación, contiene imágenes a tamaño completo.
2. Tamaño mediano (imagewoof320): Imágenes redimensionadas con una longitud de borde máxima de 320 píxeles, adecuadas para un entrenamiento más rápido.
3. Tamaño pequeño (imagewoof160): Imágenes redimensionadas con una longitud de borde máxima de 160 píxeles, perfectas para la creación rápida de prototipos.

Usa estas versiones sustituyendo imagewoof en el argumento del conjunto de datos en consecuencia. Ten en cuenta que las imágenes más pequeñas pueden producir una menor accuracy de clasificación, pero son útiles para iteraciones más rápidas.

Link to this section¿Cómo benefician al entrenamiento las etiquetas con ruido en el conjunto de datos ImageWoof?#

Las etiquetas con ruido en el conjunto de datos ImageWoof simulan condiciones del mundo real donde las etiquetas no siempre son precisas. Entrenar modelos con estos datos ayuda a desarrollar la robustez y la generalización en tareas de clasificación de imágenes. Prepara a los modelos para manejar eficazmente datos ambiguos o mal etiquetados, algo que se encuentra a menudo en aplicaciones prácticas.

Link to this section¿Cuáles son los desafíos clave de usar el conjunto de datos ImageWoof?#

El desafío principal de ImageWoof reside en las diferencias sutiles entre las razas de perros que incluye. Como se centra en 10 razas estrechamente relacionadas, distinguirlas requiere modelos de clasificación de imágenes más avanzados y ajustados. Esto convierte a ImageWoof en un excelente benchmark para probar las capacidades y mejoras de los modelos de deep learning.